Holen Sie sich den Aktienkurs + α

Holen Sie sich den Aktienkurs + α von Financial Modeling Prep

def get_df_stock_screener(exchange):
       requests_cache.install_cache("stock-screener")
       url = f"https://financialmodelingprep.com/api/v3/stock-screener?marketCapMoreThan=100000&volumeMoreThan=100&dividendLowerThan=10&betaLowerThan=10&betaMoreThan=-10&exchange={exchange}&apikey={apikey}"
       response = requests.get(url)
       content = response.content.decode()
       json_content = json.load(StringIO(content))
       return pd.DataFrame(json_content).set_index("symbol")

requests_cache Speichern im Cache mit Zugriff mit dem Cache beim Lesen von_json mit Pandas

Stock Screener Verwenden Sie stock-screener

[ 
    {
        "symbol" : "AAPL",
        "companyName" : "Apple Inc.",
        "marketCap" : 1382174560000,
        "sector" : "Technology",
        "beta" : 1.2284990000000000076596506914938800036907196044921875,
        "price" : 318.8899999999999863575794734060764312744140625,
        "lastAnnualDividend" : 3.0800000000000000710542735760100185871124267578125,
        "volume" : 51500795,
        "exchange" : "Nasdaq Global Select",
        "exchangeShortName" : "NASDAQ"
    }, 
    {
        "symbol" : "AMZN",
        "companyName" : "Amazon.com Inc.",
        "marketCap" : 1215457260000,
        "sector" : "Technology",
        "beta" : 1.5168630000000000723758830645238049328327178955078125,
        "price" : 2436.8800000000001091393642127513885498046875,
        "lastAnnualDividend" : 0,
        "volume" : 6105985,
        "exchange" : "Nasdaq Global Select",
        "exchangeShortName" : "NASDAQ"
    }
]

Wird in Form von zurückgegeben

Beta-Wert

Beta (finance)

r_a = \alpha + \beta r_b

$ r_a $ ist die Aktienrendite $ r_b $ ist die Rendite des Marktes (zB S & P 500) $ \ beta $ ist ein Faktor für die Marktrendite Wenn $ \ beta = 2 $, erhöht eine Erhöhung der Marktrenditen um 3% die Aktienrenditen um 6%. $ \ Alpha $ ist die Rendite irrelevanter Aktien von Marktrenditen

lastAnnualDividend Dividende je Aktie für das letzte Jahr

Berechnung von Statistiken

DataFrame-Erstellung

df_stock_screener_nasdaq = get_df_stock_screener("nasdaq")
df_stock_screener_nyse = get_df_stock_screener("nyse")
df_stock_screener = pd.concat([df_stock_screener_nasdaq, df_stock_screener_nyse])

df_stock_screener["sector"].replace("", np.nan, inplace=True)
df_stock_screener.dropna(subset=["sector"], inplace=True)

df_stock_screener_target = df_stock_screener[["price","beta","lastAnnualDividend","volume"]]

Fehlender Wert

Sektor kann leer sein ETF scheint leer zu sein Es ist einfacher zu interpretieren, ob ETF vom Ziel entfernt wird. Lassen Sie es also fallen dropna löscht keine leeren Zeichen, also ersetzen Sie leere Zeichen durch nan

describe Sie können zusammenfassende Statistiken mit beschreiben erhalten

df_stock_screener_target.describe()

               price         beta  lastAnnualDividend        volume
count    6153.000000  6153.000000         6153.000000  6.153000e+03
mean      130.651825     0.940899            0.589505  1.701368e+06
std      5257.505324     0.874763            1.033488  5.608641e+06
min         0.010000    -8.439448            0.000000  1.000000e+02
25%         5.730000     0.301854            0.000000  8.373300e+04
50%        13.770000     0.881456            0.000000  3.761930e+05
75%        34.160000     1.392074            0.840000  1.274612e+06
max    291621.000000     8.949109            9.680000  1.566431e+08

price Der Durchschnitt liegt bei 130 USD, die Standardabweichung bei 5257 USD, das Maximum bei 291621 USD Aufgrund des Vorhandenseins von Ausreißern sind die Statistiken wenig sinnvoll Die Größe des Aktienkurses ist nicht sinnvoll, da der Aktiensplit beliebig erfolgen kann.

beta Der Durchschnitt liegt bei 0,94, die Standardabweichung bei 0,87, das Minimum bei -8,43 und das Maximum bei 8,94 Beta scheint in dem Sinne richtig zu sein, dass der Durchschnitt nahe 1 aus seiner Ableitungsmethode dem Markt entspricht

Dividende, Anzahl der Aktien

Solange die Anzahl der Aktien willkürlich ist, macht der Vergleich ihrer absoluten Werte wenig Sinn.