使用 Python 可视化期权流：分步指南

在不断发展的金融世界中，可视化数据可以提供对市场趋势前所未有的洞察。在本文中，我们将探讨如何利用 Python 来执行特定的财务分析任务：使用雅虎财经的历史数据可视化给定股票的期权流。我们将使用一个代码片段来获取期权数据、对其进行处理并生成散点图来说明看涨期权和看跌期权的流程。让我们深入了解细节。

入门

我们的目标是分析特定股票的期权数据并在散点图中将其可视化。在本例中，我们将使用股票代码 LLY（礼来公司）。该代码片段完成以下任务：

1. 检索指定股票的最新期权数据。
2. 过滤和清理数据。
3. 创建散点图来表示看涨期权和看跌期权随时间的变化。

逐步细分

1. 导入库

首先，我们需要导入必要的库：

import yfinance as yf
import os
from datetime import datetime, timedelta
import matplotlib.pyplot as plt
import pandas as pd

• yfinance 用于获取历史股票数据。
• os 处理目录和文件操作。
• datetime 和 timedelta 用于管理日期。
• matplotlib.pyplot 用于创建可视化。
• pandas 用于数据操作和分析。

2. 设置目录和文件

我们设置了保存数据的输出目录和文件：

output_directory = 'output'
os.makedirs(output_directory, exist_ok=True)
output_file = os.path.join(output_directory, 'output.data')

这里，我们确保输出目录存在并指定数据文件的路径。

3. 获取和处理选项数据

要获取股票代码 LLY 的期权数据，我们使用 yfinance：

ticker = 'LLY'
days = 21
populate_data = 'Y'  # Set 'N' to use existing file, 'Y' to create new file

如果 populate_data 设置为“Y”，代码将获取新的选项数据。如果“N”，它将使用现有的数据文件。

以下是数据获取和处理的完成方式：

if populate_data == 'Y':
    stock = yf.Ticker(ticker)
    options_dates = stock.options

    today = datetime.now()
    fourteen_days_later = today + timedelta(days)

    with open(output_file, 'w') as file:
        for date in options_dates:
            date_dt = datetime.strptime(date, '%Y-%m-%d')
            if today <= date_dt <= fourteen_days_later:
                calls = stock.option_chain(date).calls
                puts = stock.option_chain(date).puts

                for _, row in calls.iterrows():
                    if not filter_volume(row['volume']):
                        file.write(f"Call,{date},{row['strike']},{row['volume']}\n")

                for _, row in puts.iterrows():
                    if not filter_volume(row['volume']):
                        file.write(f"Put,{date},{row['strike']},{row['volume']}\n")

    print(f"Data has been written to {output_file}")

此代码获取看涨期权和看跌期权数据，过滤掉包含不需要的卷数据的行，并将其写入文件。

4. 清理和准备可视化数据

接下来，我们读取数据并清理它：

data = pd.read_csv(output_file, names=['Type', 'Last_Trade_Date', 'Strike', 'Volume'])
data.dropna(inplace=True)
data['Last_Trade_Date'] = pd.to_datetime(data['Last_Trade_Date'])
data = data[data['Volume'].notna()]

我们确保我们的数据集不包含 NaN 值，并且 Last_Trade_Date 的日期时间格式正确。

5. 创建散点图

我们已准备好创建散点图：

extra_days_before = 5
extra_days_after = 5

min_date = data['Last_Trade_Date'].min() - timedelta(days=extra_days_before)
max_date = data['Last_Trade_Date'].max() + timedelta(days=extra_days_after)

plt.figure(figsize=(12, 8))

calls_data = data[data['Type'] == 'Call']
plt.scatter(calls_data['Last_Trade_Date'], calls_data['Strike'],
            s=calls_data['Volume'], c='green', alpha=0.6, label='Call')

puts_data = data[data['Type'] == 'Put']
plt.scatter(puts_data['Last_Trade_Date'], puts_data['Strike'],
            s=puts_data['Volume'], c='red', alpha=0.6, label='Put')

plt.xlabel('\nLast Trade Date')
plt.ylabel('Strike Price\n')
plt.title(f'Options Flow for {ticker} ({days} days)\n', fontsize=16)
plt.xticks(rotation=45, ha='right')
plt.gca().xaxis.set_major_formatter(plt.matplotlib.dates.DateFormatter('%Y-%m-%d'))
plt.xlim(min_date, max_date)
plt.subplots_adjust(bottom=0.2)
plt.grid(True)

plt.text(0.5, 0.5, f'{ticker}', color='gray', fontsize=80, alpha=0.5,
         ha='center', va='center', rotation=15, transform=plt.gca().transAxes)
plt.text(0.95, 0.95, 'medium.com/@dmitry.romanoff', color='gray', fontsize=20, alpha=0.5,
         ha='right', va='top', transform=plt.gca().transAxes)
plt.text(0.05, 0.05, 'medium.com/@dmitry.romanoff', color='gray', fontsize=20, alpha=0.5,
         ha='left', va='bottom', transform=plt.gca().transAxes)

plot_file = os.path.join(output_directory, 'options_scatter_plot.png')
plt.savefig(plot_file)

print(f"Scatter plot has been saved to {plot_file}")

此部分创建看涨期权和看跌期权的散点图，其中 y 轴为执行价格，x 轴为交易日期。点的大小代表交易量，绿色表示看涨期权，红色表示看跌期权。我们还出于品牌目的添加水印并将绘图保存到文件中。

结论

可视化期权数据有助于交易者和分析师了解市场情绪和交易活动。本指南演示了如何使用 Python 获取、处理和可视化期权数据。通过执行以下步骤，您可以针对任何股票调整此代码并分析其期权流，从而提供有关市场趋势的宝贵见解。

请随意修改代码以满足您的特定需求，并探索可视化财务数据的不同方法。

以上是使用 Python 可视化期权流：分步指南的详细内容。更多信息请关注PHP中文网其他相关文章！