Script Python pour l'analyse du sentiment boursier

"La bourse est remplie d'individus qui connaissent le prix de tout, mais la valeur de rien." -Philip Fisher

Python gagne considérablement en popularité et est utilisé dans un large éventail d'applications, depuis les calculs de base jusqu'à l'analyse statistique avancée des données boursières. Dans cet article, nous examinerons un script Python qui illustre la domination croissante de Python dans le monde financier. Sa capacité à s'intégrer de manière transparente aux données, à effectuer des calculs complexes et à automatiser des tâches en fait un outil inestimable pour les professionnels de la finance.

Ce script montre comment Python peut être utilisé pour analyser les gros titres de l'actualité et extraire des informations précieuses sur le sentiment du marché. En tirant parti de la puissance des bibliothèques de traitement du langage naturel (NLP), le script analyse le ton émotionnel des articles d'actualité liés à un titre spécifique. Cette analyse peut fournir des informations cruciales aux investisseurs, les aidant à :

• Prenez des décisions d'investissement plus éclairées : en comprenant le sentiment dominant du marché, les investisseurs peuvent identifier les opportunités potentielles et atténuer les risques.
• Développer des stratégies de trading plus efficaces : l'analyse des sentiments peut être intégrée aux algorithmes de trading pour améliorer le timing et potentiellement améliorer les rendements.
• Gagnez un avantage concurrentiel : la polyvalence de Python permet le développement de modèles financiers sophistiqués et l'analyse de vastes ensembles de données, offrant ainsi un avantage significatif dans le paysage financier concurrentiel.

import requests
import pandas as pd
from nltk.sentiment.vader import SentimentIntensityAnalyzer

# THIS NEEDS TO BE INSTALLED
# ---------------------------
# import nltk
# nltk.download('vader_lexicon')

# Function to fetch news headlines from a free API
def get_news_headlines(ticker):
    """
    Fetches news headlines related to the given stock ticker from a free API.

    Args:
        ticker: Stock ticker symbol (e.g., 'AAPL', 'GOOG').

    Returns:
        A list of news headlines as strings.
    """

    # We are using the below free api from this website https://eodhd.com/financial-apis/stock-market-financial-news-api
    url = f'https://eodhd.com/api/news?s={ticker}.US&offset=0&limit=10&api_token=demo&fmt=json'
    response = requests.get(url)
    response.raise_for_status()  # Raise an exception for bad status codes

    try:
        data = response.json()
        # Extract the 'title' from each article
        headlines = [article['title'] for article in data]
        return headlines
    except (KeyError, ValueError, TypeError):
        print(f"Error parsing API response for {ticker}")
        return []

# Function to perform sentiment analysis on headlines
def analyze_sentiment(headlines):
    """
    Performs sentiment analysis on a list of news headlines using VADER.

    Args:
        headlines: A list of news headlines as strings.

    Returns:
        A pandas DataFrame with columns for headline and sentiment scores (compound, positive, negative, neutral).
    """

    sia = SentimentIntensityAnalyzer()
    sentiments = []

    for headline in headlines:
        sentiment_scores = sia.polarity_scores(headline)
        sentiments.append([headline, sentiment_scores['compound'],
                           sentiment_scores['pos'], sentiment_scores['neg'],
                           sentiment_scores['neu']])

    df = pd.DataFrame(sentiments, columns=['Headline', 'Compound', 'Positive', 'Negative', 'Neutral'])
    return df

# Main function
if __name__ == "__main__":

    ticker = input("Enter stock ticker symbol: ")
    headlines = get_news_headlines(ticker)

    if headlines:
        sentiment_df = analyze_sentiment(headlines)
        print(sentiment_df)

        # Calculate average sentiment
        average_sentiment = sentiment_df['Compound'].mean()
        print(f"Average Sentiment for {ticker}: {average_sentiment}")

        # Further analysis and visualization can be added here
        # (e.g., plotting sentiment scores, identifying most positive/negative headlines)
    else:
        print(f"No news headlines found for {ticker}.")

Sortie :

Importations

• requêtes : utilisé pour effectuer des requêtes HTTP pour récupérer des données à partir d'une API Web.
• pandas : Une bibliothèque de manipulation de données utilisée pour créer et gérer des données au format DataFrame.
• SentimentIntensityAnalyzer de nltk.sentiment.vader : un outil d'analyse des sentiments qui fournit des scores de sentiment pour le texte.

Installation

• Configuration NLTK : Le script comprend un commentaire indiquant que le lexique VADER doit être téléchargé à l'aide de NLTK. Cela se fait avec nltk.download('vader_lexicon').

Fonctions

get_news_headlines(ticker)

• Objectif : récupère les titres d'actualité liés à un symbole boursier donné.
• Paramètres :
  • ticker : une chaîne représentant le symbole boursier (par exemple, "AAPL" pour Apple).
• Retours : une liste de titres d'actualité sous forme de chaînes.
• Mise en œuvre :
  • Construit une URL pour une API d'actualités hypothétique à l'aide du ticker fourni.
  • Envoie une requête GET à l'API et vérifie l'état de la réponse réussie.
  • Analyse la réponse JSON pour extraire les titres.
  • Gère les erreurs potentielles lors de l'analyse avec un bloc try-sauf.

analyser_sentiment(titres)

• Objectif : effectue une analyse des sentiments sur une liste de titres d'actualité.
• Paramètres :
  • titres : une liste de chaînes, chacune représentant un titre d'actualité.
• Retours : Un DataFrame pandas contenant les titres et leurs scores de sentiment (composé, positif, négatif, neutre).
• Mise en œuvre :
  • Initialise le SentimentIntensityAnalyzer.
  • Parcourt chaque titre, calcule les scores de sentiment et les stocke dans une liste.
  • Convertit la liste des données de sentiment en un DataFrame pandas.

Exécution principale

• Le script invite l'utilisateur à saisir un symbole boursier.
• Il appelle get_news_headlines pour récupérer les titres du téléscripteur donné.
• Si des titres sont trouvés, il effectue une analyse des sentiments à l'aide d'analyse_sentiment.
• Le DataFrame résultant est imprimé, montrant chaque titre avec ses scores de sentiment.
• Il calcule et imprime le score de sentiment composé moyen pour les titres.
• Si aucun titre n'est trouvé, il imprime un message l'indiquant.

Conclusion

La polyvalence et les bibliothèques puissantes de Python en font un outil indispensable pour l'analyse de données et les tâches informatiques modernes. Sa capacité à tout gérer, des calculs simples aux analyses boursières complexes, souligne sa valeur dans tous les secteurs. À mesure que Python continue d'évoluer, son rôle dans la stimulation de l'innovation et de l'efficacité dans la prise de décision basée sur les données est appelé à s'étendre encore davantage, consolidant ainsi sa place de pierre angulaire du progrès technologique

remarque : contenu assisté par l'IA

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!