Python ile Hisse Senedi Verileri Analizi

Giriş: Hisse Senedi Verileri ve Python’un Rolü

Hisse senedi verileri, finansal piyasalarda yatırımcılar ve analistler için önemli olan bilgileri içerir. Bu veriler, hisse senetlerinin fiyatları, işlem hacimleri ve diğer ilgili metrikler gibi bir dizi bilgiyi barındırır. Python, veri analizi için güçlü bir dil olduğu için, hisselerin performansını değerlendirmek, trendleri analiz etmek ve geleceğe yönelik tahminler yapmak isteyen yazılımcılar ve analistler arasında popüler bir seçimdir. Bu yazı, Python kullanarak hisse senedi verilerini nasıl çekip analiz edeceğimizi adım adım inceleyecek.

Python ile Hisse Senedi Verisi Elde Etme

Hisse senedi verilerini elde etmenin birçok yolu vardır. Python, bu konuda birkaç popüler kütüphane sunar. Bu kütüphanelerden bazıları Yahoo Finance, Alpha Vantage ve Pandas_DataReader gibi araçlardır. Bu kütüphaneler, kullanıcıların herhangi bir hisse senedi hakkında hızlı ve kolay bir şekilde veri alabilmesini sağlar.

Önce, gerekli kütüphaneleri yükleyelim. Aşağıdaki komutları terminalde çalıştırarak başlayabilirsiniz:

pip install yfinance pandas numpy matplotlib

Yukarıdaki komut, gerekli olan yfinance, Pandas, NumPy ve Matplotlib kütüphanelerini yükleyecektir. Şimdi, bir hisse senedinin geçmiş verilerini çekmek için örnek bir Python kodu yazalım:

import yfinance as yf

# Hisse senedi verisini çekme
hisse = 'AAPL'
veri = yf.download(hisse, start='2020-01-01', end='2023-01-01')
print(veri.head())

Bu kod, Apple Inc. (AAPL) hisse senedinin 2020-2023 yılları arasındaki verilerini çekip ekrana yazdırır. yfinance kütüphanesi, verilerin doğrudan Yahoo Finance’tan alınmasını sağlar ve oldukça kullanıcı dostudur.

Veri Analizi ve Görselleştirme

Şimdi veri setimiz üzerinde bazı temel analizler yapalım. Analiz, verilerin eğitim amacıyla nasıl kullanılacağını anlamaya yardımcı olur. İlk olarak, günlük kapanış fiyatlarını görselleştirerek başlayalım. Bunun için Matplotlib kütüphanesini kullanabiliriz:

import matplotlib.pyplot as plt

# Günlük kapanış fiyatlarını görselleştir
plt.figure(figsize=(12,6))
plt.plot(veri['Close'], label='Kapanış Fiyatı')
plt.title('AAPL Kapanış Fiyatları (2020-2023)')
plt.xlabel('Tarih')
plt.ylabel('Fiyat (USD)')
plt.legend()
plt.show()

Bu görsel, bize Apple’ın hisse senedi fiyatlarının zaman içinde nasıl değiştiğini gösterir. Grafik üzerinde belirli tarih aralıkları ve dalgalanmalar gözlemlenebilir. Bu tür görselleştirmeler, piyasa trendlerini analiz etmede oldukça faydalıdır.

Ayrıca, veriler üzerinde daha derinlemesine analizler de yapabiliriz. Örneğin, hareketli ortalama hesaplayarak hisse senedinin eğilimlerini görebiliriz. Aşağıdaki kod parçası, 50 ve 200 günlük hareketli ortalamaları hesaplamak için kullanılabilir:

veri['50_Gün_Hareketli_Ortalama'] = veri['Close'].rolling(window=50).mean()
veri['200_Gün_Hareketli_Ortalama'] = veri['Close'].rolling(window=200).mean()

plt.figure(figsize=(12,6))
plt.plot(veri['Close'], label='Kapanış Fiyatı')
plt.plot(veri['50_Gün_Hareketli_Ortalama'], label='50 Günlük Hareketli Ortalama', color='orange')
plt.plot(veri['200_Gün_Hareketli_Ortalama'], label='200 Günlük Hareketli Ortalama', color='red')
plt.title('AAPL Kapanış Fiyatları ve Hareketli Ortalamalar')
plt.xlabel('Tarih')
plt.ylabel('Fiyat (USD)')
plt.legend()
plt.show()

Bu grafik, kısa vadeli ve uzun vadeli hareketli ortalamalar arasındaki ilişkiyi sunar. Yatırımcılar, hareketli ortalamaların kesişimini pozisyon almak için kullanabilirler.

Hisse Senedi Verileri Üzerinde İleri Düzey Analizler

Hisse senedi verilerini analiz etmek için temel istatistiklerin ötesine geçebiliriz. Regresyon analizi gibi daha karmaşık analizleri de Python kullanarak gerçekleştirebiliriz. Örneğin, hisse fiyatlarının tarihsel verileri ile başka bir finansal gösterge arasında bir ilişki olup olmadığını test etmek için regresyon analizi yapabiliriz. Scikit-learn kütüphanesi bu tip analizler için idealdir.

Aşağıdaki örnek, X (bağımsız değişken) ile Y (bağımlı değişken) arasında bir doğrusal regresyon modelinin nasıl oluşturulacağını göstermektedir:

from sklearn.linear_model import LinearRegression
import numpy as np

# X: Günler, Y: Kapanış fiyatları
X = np.array(range(len(veri))).reshape(-1, 1)
Y = veri['Close'].values

# Regresyon modelini oluştur
model = LinearRegression()
model.fit(X, Y)

# Tahmin

Burada, model geçmiş kapanış fiyatlarını kullanarak gelecekteki fiyatları tahmin etmeye çalışacak. Regresyon sonuçlarını görselleştirerek, modelin ne kadar iyi çalıştığını görebiliriz.

plt.scatter(X, Y, color='blue', label='Veri')
plt.plot(X, model.predict(X), color='red', label='Regresyon Doğrusu')
plt.title('Kapanış Fiyatları Üzerine Regresyon Analizi')
plt.xlabel('Zaman (gün olarak)')
plt.ylabel('Fiyat (USD)')
plt.legend()
plt.show()

Bu tür analizler, yatırımcıların olası trendleri ve fiyat hareketlerini tahmin etmelerine yardımcı olabilir. Ancak, tüm analizlerin sonuçlarının güvenilirliği, sonuçların nasıl değerlendirildiğine ve piyasaların doğasındaki belirsizliklere dayanır.

Sonuç

Python ile hisse senedi verilerini çekmek ve analiz etmek, yatırımcılar ve analistler için oldukça faydalıdır. Python, sunduğu güçlü kütüphaneler sayesinde karmaşık verileri yönetmeyi ve anlamayı kolaylaştırır. Bu yazıda başlıca veri çekimi, veri analizi ve görselleştirmeye dair birçok yöntemi inceledik.

Hisse senedi verileri üzerinde yapılacak birçok değişik analiz türü vardır ve her birinin kullanımı, finansal karar alma süreçlerini destekleyecek bilgileri sağlayabilir. Python’un esnekliği ve kullanıcı dostu yapısı, bu tür finansal veri analizlerinin yaygın bir şekilde kabul görmesini sağlamaktadır.

Okuyuculara, öğrendiklerini kendi projelerine uygulama ve hisse senedi piyasası ile ilgili daha fazla bilgi edinme konusunda teşvik ediyorum. Python ile veri analizi dünyasına hoş geldiniz!