4月の米国経済指標の解説と今後の展望
先週発表された米国の4月の雇用統計は、非農業部門雇用者数が予想を上回る25.3万人となり、失業率は3.4%と過去最低水準を記録しました。また、平均時給は+16¢と今年に入って一番高い伸びを見せ、賃金インフレ圧力が強いことが確認されました。
しかし、連邦公開市場委員会(FOMC)での連邦準備制度理事会(FRB)の利上げ発表や、経済指標を見ながら今後の政策金利について判断するという声明により、市場参加者はFRBが利下げに転じることを予測しています。
ただし、足元の経済統計は利下げを正当化するほど弱くないため、利下げの期待間が先行しているのではないかと感じます。このため、利下げが無かった場合に、市場は落胆することが予想されます。
今後の投資戦略については、夏には横ばいの展開が予想されます。市場参加者は利下げについての期待を抑え、経済指標の動向には、より注目をする必要があります。
なお、こういった状況下では、積極的なトレードというのは控えてVTやVTIといった商品を定期的に購入し、下げたタイミングでいつもより購入するなどの戦略をとることがよいかと思います。
~以下は初心者の方へVTとVTIの解説をした説明となります。~
VTはバンガード・トータル・ワールド・ストックETF、VTIはバンガード・トータル・ストック・マーケットETFといいます。両方ともバンガード社が運用する米国の上場投資信託(ETF)です。で
VTは、世界中の株式市場に投資するために設計されたETFです。VTのポートフォリオには、米国、欧州、アジア太平洋地域、新興市場を含む世界中の銘柄が含まれます。一方、VTIは、米国市場に焦点を当てたETFです。VTIのポートフォリオには、米国の株式市場に上場するすべての銘柄が含まれています。
つまり、VTは世界中の銘柄に投資することができるのに対し、VTIは米国市場の銘柄に投資することができるという違いがあります。
PythonでRSIとMACDを表示する方法について
どうもアンゴウです。
中々忙しく久しぶりの投稿になります。本日は、PythonでRSIとMACDを表示する方法について方法について説明します。今日もChatGPTにはプログラムの評価をしてもらいます。
ちなみに、まだ始める準備ができていない人は↓から
では、いつもどおり先に手っ取り早くコードを知りたい方はこちらから
このコードをコピーしてPythonに貼り付けましょう!
#ライブラリのインポート
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime
import yfinance as yf
import mplfinance as mpf
import talib
#銘柄コード
A=input("銘柄は(日本の銘柄は.Tを忘れずに):")
B=input("期間は(1y、6mo、1dなどを入力):")
C=input("足(1d・5mなどを入力):")
#------------------------------------------------------------------------------------------------------------------------------#期間とローソク足を指定(日足)
date = yf.download(A , period= B, interval = C)
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#---------------------------------------------------------------------------------------
# RSI
df['rsi'] = talib.RSI(df['Close'])
# MACD
ema12 = df['Close'].ewm(span=12, adjust=False).mean()
ema26 = df['Close'].ewm(span=26, adjust=False).mean()
df['macd'] = ema12 - ema26
df['signal'] = df['macd'].ewm(span=9, adjust=False).mean()
#---------------------------------------------------------------------------------------
fig, (ax1, ax2) = plt.subplots(nrows=2, ncols=1, figsize=(16, 8))
# Plot the closing price
ax1.plot(df.index, df['Close'], label='Close')
# Plot the MACD and signal line
ax2.plot(df.index, df['macd'], label='MACD', color='red')
ax2.plot(df.index, df['signal'], label='Signal', color='green')
# Add legend
ax1.legend(loc='upper left')
ax2.legend(loc='upper left')
# Add title and axis labels
ax1.set_title('Stock Price and MACD')
ax1.set_xlabel('Date')
ax1.set_ylabel('Price')
ax2.set_xlabel('Date')
ax2.set_ylabel('MACD')
# Create a new figure for RSI
fig2, ax3 = plt.subplots(figsize=(16, 4))
# Plot the RSI
ax3.plot(df.index, df['rsi'], label='RSI')
ax3.axhline(y=70, color='red', linestyle='--') # Add overbought line at 70
ax3.axhline(y=30, color='green', linestyle='--') # Add oversold line at 30
ax3.fill_between(df.index, df['rsi'], where=(df['rsi']>=70), color='red', alpha=0.1) # Fill overbought region
ax3.fill_between(df.index, df['rsi'], where=(df['rsi']<=30), color='green', alpha=0.1) # Fill oversold region
ax3.set_ylim(0,100) # Set the y-axis limits to 100-0
# Add legend and axis labels
ax3.legend(loc='upper left')
ax3.set_title('RSI')
ax3.set_xlabel('Date')
ax3.set_ylabel('RSI')
# Show the plot
plt.show()
結果はこちら↓
RSIとMACDの図がでました。
今回は、私も保有している銘柄のBA(ボーイング)について表示をさせました。ちなみに銘柄については、コードを書き換えるのがめんどくさいので下記のコードを入れて好きな銘柄や期間、何足を入力することでこの図を取得することができます。
#銘柄コード
A=input("銘柄は(日本の銘柄は.Tを忘れずに):")
B=input("期間は(1y、6mo、1dなどを入力):")
C=input("足(1d・5mなどを入力):")
では分析をしていくと、2022年10月はMACDは比較的機能していることがわかります。そして、押し目をつけながら反発を繰り返しています。直近では、MACDが上昇トレンドに切り替わるのも近そうです。(赤が緑をうわ抜けると上昇トレンド)
ここ最近は長期金利の上昇がとまらず、心配をしておりましたが金曜日に大きく反発をしました。これは、米の高官発言が大きかったようです。ミクロの視点ではまだまだ、あがったり下がったりはあるかと思います。ただ、マクロの視点ではもう利上げは出口に近いかと思います。弱気にならずに積極的に買い増しをしていく、そういう場面かと僕は思っているので将来に向けて投資を継続して頑張りたいと思っています。
今回は、ここまでの説明になります。
では、最後にこのプログラムをChatGPTに聞いてみます。
このプログラムは、ユーザーが指定した銘柄の株価データをダウンロードし、ローソク足チャート、MACD、RSIのグラフを作成するものです。pandas、matplotlib、numpy、datetime、yfinance、mplfinance、talibのライブラリが使用されています。
プログラムは、ユーザーが銘柄コード、期間、足の情報を入力するように要求します。ダウンロードした株価データを使用して、ローソク足チャートを描画し、MACDとRSIの値を計算し、それらのグラフを作成します。
MACDとは、移動平均収束拡散指標のことで、トレンドの強さや転換点を把握するために使用されます。RSIとは、相対力指数のことで、過買い・過売りの状態を示す指標です。
グラフの見方としては、株価の変動がどのようにRSIやMACDに反映されるかを確認することができます。また、過買い・過売りの状態を示すRSIのレベルに注目することで、適切な売買タイミングを判断することができます。
ChatGPTがこのプログラムがどういったものか評価をしてくれました。
それでは、最後まで読んでいただきありがとうございました。
投資の勉強に活用中↓(無料体験有です)
オススメ本紹介
アマゾン
【初級】Pythonで原油との相関関係を表した図を取得する方法について
どうもアンゴウです。
本日は、Pythonでダウ30の配当利回りとパフォーマンスの関係を表した散布図を取得する方法について説明します。今日もChatGPTにはプログラムの評価をしてもらいます。
ちなみに、まだ始める準備ができていない人は↓から
では、先に手っ取り早くコードを知りたい方はこちらから
このコードをコピーしてPythonに貼り付けましょう!
#pandasを"pd"へ短くし、省略した形ででインポート
import pandas as pd
#pandas_datareaderを"web"へ短くし、省略した形ででインポート
import pandas_datareader as web
#matplotlibを"plt"へ短くし、省略した形ででインポート
import matplotlib.pyplot as plt
#matplotlibから"rcParams"をインポート
from matplotlib import rcParams
#seaborn を"sns"へ短くし、省略した形ででインポート
import seaborn as sns
import yfinance as yf
#seabornのフォントサイズを設定
sns.set(font_scale=1.5)
#seabornのチャートスタイルを設定
sns.set_style('whitegrid')
#日付の設定を行うライブラリをインポート
import datetime
import numpy as np
# "tickers" という変数に取得したい原油と米エネルギー株のティッカーコードを入れる
tickers = ['CL=F','XOM','OXY','CVX','DVN']
# "df" という変数に空の価格データを入力するためのフレームを作成
df = pd.DataFrame()
# for文でdf(空のデータフレーム)の中に、tickersで指定した原油と米エネルギー株の価格データを入れていく
for i in tickers:
df[i] = yf.download(i,start='2022-06-30',
end=datetime.datetime.today())['Adj Close']
# 変数.columnsでカラム名を変更
# 今回は原油のみを ”NY_WTI” に変更
df.columns = ('NY_WTI','XOM','OXY','CVX','DVN')
# 最初の5つと最後の5つを表示する
df.head(),df.tail()
# np.log()が対数差分を計算するコード
df_log = np.log(df)
# diff()が引き算(差分を計算)するコード
df_diff = df_log.diff(1)
# dropnaはデータが空欄のところを削除するコード
df_diff.dropna(inplace=True)
# 最初の5つと最後の5つを表示する
df_diff.head(),df_diff.tail()
# plt.figure(figsize=())でチャートのサイズを決める
plt.figure(figsize=(15,9))
# sns.heatmapでヒートマップをつくる
sns.heatmap(data = df_diff.corr(),annot=True,cmap='Oranges')
# plt.figure(figsize=())でチャートのサイズを決める
plt.figure(figsize=(15,10))
# sns.regplotで線形の相関チャートをつくる
sns.regplot(data=df_diff,x=df_diff['NY_WTI'],y=df_diff['XOM'],
scatter_kws={'color':'blue'},
line_kws={'color':'darkblue'},
label='XOM')
plt.figure(figsize=(15,10))
# y=df_diff['DVN']に変更
# label='DVN'に変更
sns.regplot(data=df_diff,x=df_diff['NY_WTI'],y=df_diff['DVN'],
scatter_kws={'color':'#48d1cc'},
line_kws={'color':'#48d1cc'},
label='DVN');
plt.figure(figsize=(15,10))
sns.regplot(data=df_diff,x=df_diff['NY_WTI'],y=df_diff['XOM'],
scatter_kws={'color':'blue'},
line_kws={'color':'darkblue'},
label='XOM')
sns.regplot(data=df_diff,x=df_diff['NY_WTI'],y=df_diff['DVN'],
scatter_kws={'color':'#48d1cc'},
line_kws={'color':'#48d1cc'},
label='DVN')
# y軸のラベルを設定
plt.ylabel('XOM / DVN')
# ラベルを表示する位置とフォントサイズを設定
plt.legend(loc=2,fontsize=30);
結果はこちら↓(プラウザに表示)
このように原油との相関図を取得できました。
2022年6月30日を起点に現在までの各銘柄の相関についてですが、エクソンモービルが一番相関が高いです。逆に今回の銘柄の中ではデボンエナジーの相関が低いことがわかります。
次に、各銘柄(1番相関の高い銘柄と低い銘柄を抜粋)のプロット図をだして、相関を確認します。右肩上がりになっているほど相関が強いことがわかります。ただ、注意点としてプロットがまばらになっているとデータの信頼性が低くなります。
どちらも中心線から近い位置にプロットがあることからデータとしての信頼性は十分かと思います。
こちらのプログラムを使えば天然ガスやゴールドとの相関など色々なコモデティとの相関をみることができます。
僕は一時的にエナジー関連の銘柄が上がると予想しています。実経済はどうか?という部分はおいて最近の経済指標(PCE等)をみた場合に経済はまだ強いです。ただ、これも一時的でインフレは次第に終わりを迎えると思います。
↓これはTLT(長期国債)のチャートですが、インフレ局面では長期国債は売られます。そのため、チャートは下がっています。ただ、FRBの利上げは入り口なのか?出口なのか?といえばもう出口に近いと考えています。これからは長期的に買い増しをしていきたい局面にきていると思います。
僕は、FIREを目指すために、今後の資産形成の一つの戦略として高配当銘柄には積極的に投資をしていく予定です。こういった数十年に1度のチャンスをものにできればきっと億ることができるのではないかと思っています。
日本もNISAの制度を拡充しています。このNISAへの優遇が来年度よりスタートする中で準備をしている人と準備ができていない人とでは、数十年後の未来に大きな差がでてくる可能性があります。皆さんも資産形成に取り組んでいくには、今はいい時期です。今をよりよくするのは自分しかいないので、皆さんも今は苦しいですが一緒に頑張りましょう。
今回は、ここまでの説明になります。
では、最後にこのプログラムをChatGPTに聞いてみます。
このコードは、Pythonで株価データを取得して、価格変動の相関関係や相関係数を可視化するためのものです。以下がコードの説明になります。
- pandasをpdへ短くし、省略した形ででインポートする。同様に、pandas_datareaderを"web"、matplotlibを"plt"、seabornを"sns"へ短くし、省略した形ででインポートする。
- yfinanceをyfとしてインポートする。
- seabornのフォントサイズを設定し、チャートスタイルを設定する。
- datetimeとnumpyをインポートする。
- "tickers" という変数に取得したい原油と米エネルギー株のティッカーコードを入れる。
- "df" という変数に空の価格データを入力するためのフレームを作成する。
- for文でdf(空のデータフレーム)の中に、tickersで指定した原油と米エネルギー株の価格データを入れていく。
- 変数.columnsでカラム名を変更し、今回は原油のみを ”NY_WTI” に変更する。
- np.log()が対数差分を計算するコードであり、diff()が引き算(差分を計算)するコードである。dropnaはデータが空欄のところを削除するコードである。
- 最初の5つと最後の5つを表示する。
- plt.figure(figsize=())でチャートのサイズを決め、sns.heatmapでヒートマップを作成する。
- sns.regplotで線形の相関チャートを作成する。x軸はNY_WTI(原油価格)、y軸はXOM(エクソンモービル)やDVN(デビオン・エナジー)などのエネルギー株価格である。
- plt.ylabel('XOM / DVN')でy軸のラベルを設定し、plt.legend(loc=2,fontsize=30)でラベルを表示する位置とフォントサイズを設定する。
ChatGPTがいい感じにまとめてくれています。
それでは、最後まで読んでいただきありがとうございました。
投資の勉強に活用中↓(無料体験有です)
オススメ本紹介
アマゾン
【20230221】朝30分デイトレ成績
どうもアンゴウです。
仕事スタートまでの9時から9時30分までの時間限定でデイトレをしています。
本日はアースインフィニティ(7692)を取引きしました。
本日は+42800円で終えることができました。
値動きが非常に激しいことが予想されたので、びくびくしながらのトレードでした。結果的に+で終えたものの非常に難しい銘柄でした。
では早速アースインフィニティの日足と5分足を見ていきます。
9時からの大幅上昇からの下落。そしてまた、上昇、下落、上昇と波に乗れる方には非常においしい相場だったのではないでしょうか。ただ、逆に波に飲み込まれた方もいると思うと非常に恐ろしいですね。
明日の戦略としては、こちらは一様ウォッチはしておこうと思っています。出来高もさらに上昇していることから注目銘柄なのは変わりないですね。ただ、取引される方は注意されてください。
下記のものは銘柄のチャートを同時に取得できるプログラムです。ご活用ください!
※7692.Tを別の銘柄コードにすることで他の銘柄のチャートを出すことができます。
<コピーして貼り付けると上のチャートが取得可能です>
#ライブラリのインポート
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime
import yfinance as yf
import mplfinance as mpf
#銘柄コード
A = "2767.T"
#------------------------------------------------------------------------------------------------------------------------------#期間とローソク足を指定(日足)
date = yf.download(A , period= "6mo", interval = "1d")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#期間とローソク足を指定(5分足)
date = yf.download(A , period= "1d", interval = "5m")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#------------------------------------------------------------------------------------------------------------------------------
今日のオススメ本
Pythonを始める準備ができていない人は↓から
【20230220】朝30分デイトレ成績(反省)
どうもアンゴウです。
仕事スタートまでの9時から9時30分までの時間限定でデイトレをしています。
昨日は円谷フィールズホールディングス(2767)を取引きしました。
朝30分時点では、+59000円を確保。しかし・・・ここから欲をだしてしまいました。ポジションを再度とりキープをしたために結果-18900円・・・敗因は分かっています。心のコントロールです。(もちろん休憩時間に決済をしています。)
円谷フィールズホールディングスも見ていきます。
予想があたり9時から上昇トレンド継続でした。9時30分前後で止めていれば今日も+だったのですが自分の弱さがわかった一日となりました。
ちなみに日足で出来高が減少している点は気になります・・・
今後は、要注意です。
下記のものは2つの銘柄のチャートを同時に取得できる
プログラムです。ご活用ください!
※2767.Tと4575.Tを別の銘柄コードにすることで他の銘柄のチャートを出すことができます。
<コピーして貼り付けると上のチャートが取得可能です>
#ライブラリのインポート
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime
import yfinance as yf
import mplfinance as mpf
#銘柄コード
A = "2767.T"
#------------------------------------------------------------------------------------------------------------------------------#期間とローソク足を指定(日足)
date = yf.download(A , period= "6mo", interval = "1d")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#期間とローソク足を指定(5分足)
date = yf.download(A , period= "1d", interval = "5m")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#------------------------------------------------------------------------------------------------------------------------------
今日のオススメ本
Pythonを始める準備ができていない人は↓から
【初級】Pythonでダウ30の配当利回りとパフォーマンスの関係を表した散布図を取得する方法について(ChatGPTにも聞いていみた)
どうもアンゴウです。
本日は、Pythonでダウ30の配当利回りとパフォーマンスの関係を表した散布図を取得する方法について説明します。今日もChatGPTにはプログラムの評価をしてもらいます。
ちなみに、まだ始める準備ができていない人は↓から
では、先に手っ取り早くコードを知りたい方はこちらから
このコードをコピーしてPythonに貼り付けましょう!
#ライブラリのインポート
import pandas as pd
import pandas_datareader as web
import plotly.express as px
import yfinance as yf
import plotly.graph_objects as go
import plotly.io as pio
pio.renderers.default = 'browser'
#ダウ平均のティッカーコードを取得
ticker_list = pd.read_html('https://en.wikipedia.org/wiki/Dow_Jones_Industrial_Average')
#ティッカーコードのみを抽出
tickers = ticker_list[1].iloc[:, 2]
#カラム名のチェック
web.get_quote_yahoo(tickers).columns
# Yahoo!finance USから株価のデータ(終値)を取得
df = pd.DataFrame()
for i in tickers:
df[i] = yf.download(i, start = '2022-12-01')['Close']
#パフォーマンスの計算
df_performance = (df/df.iloc[0]-1)*100
#最後のパフォーマンスデータを取得
performance = round(df_performance.iloc[-1],ndigits=2)
#取得したパフォーマンスデータを降順でソート
performance.sort_values(ascending = False, inplace=True)
#配当利回りの計算
df_div =round(web.get_quote_yahoo(tickers)['trailingAnnualDividendYield']*100, ndigits=2)
df_div = df_div.sort_values(ascending = False)
#データの統合
df_all = pd.merge(right=df_div, left=performance, right_on=df_div.index, left_on=performance.index)
#カラム名の設定
df_all.columns = ('Tickers', 'Performance(%)', 'Div_Yield(%)')
#降順でソート(配当利回り順)
df_all.sort_values(by = 'Div_Yield(%)', ascending = False)
fig = px.scatter(df_all, x="Performance(%)", y="Div_Yield(%)", color = 'Div_Yield(%)',
size = 'Div_Yield(%)', text="Tickers",trendline="ols")
fig.update_traces(textposition='top center')
fig.update_layout(title_text="Dow Jones Industrial Average Performance vs. Dividend Yield")
fig.show()
結果はこちら↓(プラウザに表示)
このように”利回り”と”パフォーマンス”の散布図を取得できました。
では、チャートを見ていきます。
2022年12月1日を起点に現在までの状況を見ると、配当はないがボーイング(BA)のパフォーマンスがいいことがわかります。逆にパフォーマンスが悪いのはアムジェン(AMGN)ですが、配当は3%で高配当銘柄の投資先としては高値掴みをする形とはならないので投資先としては要チェックとなります。
僕は、FIREを目指すために、今後の資産形成の一つの戦略として高配当銘柄には積極的に投資をしていく予定です。
このプログラムを使えば高配当銘柄の投資先のアイデアの一つになるのではないと思います。もしかすると他の分析方法にも使えるかもしれないので今後も研究いたします。
今回は、ここまでの説明になります。
では、最後にこのプログラムをChatGPTに聞いてみます。
ChatGPTより
このコードは、Pythonを使用してDow Jones Industrial Average(ダウ平均株価)の各銘柄の株価のパフォーマンスと配当利回りを取得し、それらのデータを統合して散布図を作成するものです。散布図は、株価のパフォーマンスと配当利回りの関係を視覚的に示すものです。
具体的には、まず必要なライブラリをインポートします。その後、ダウ平均の各銘柄のティッカーコードを取得し、Yahoo! finance USから株価のデータ(終値)を取得します。次に、パフォーマンスと配当利回りのデータをそれぞれ計算し、統合して散布図を作成します。
散布図は、株価のパフォーマンスが高く、かつ配当利回りが高い銘柄が右上に位置することを示しています。また、各データポイントには、銘柄のティッカーコードが表示されます。
ChatGPTがいい感じにまとめてくれています。
それでは、最後まで読んでいただきありがとうございました。
投資の勉強に活用中↓(無料体験有です)
オススメ本紹介
アマゾン
【20230217】朝30分デイトレ成績(プログラムも紹介)
どうもアンゴウです。
仕事スタートまでの9時から9時30分までの時間限定でデイトレをしています。
昨日は円谷フィールズホールディングス(2767)を取引きしました。
先に、デイトレをする時に確認しているものですが下に記載しておきます。
ランキング:年初来 | マーケット情報 | 楽天証券 (rakuten-sec.co.jp)
空売りネットも参考にしています。
皆さんの参考にしているHP情報等もあればぜひ教えてください。
先に、様子見をしていたキャンバスのチャートを貼ります。
Pythonで取得した日足と5分足のチャートになります。
キャンバスついにストップ安になりましたね・・・
先日、このブログを見ていただいている方には取り残されないように
注意を促していましたが、予想していたことが現実になると
本当に恐ろしいですね・・・
この日の出来高をみると上昇していた時よりも明らかに上がっています。
今後も注意が必要だと思います。
では、円谷フィールズホールディングスも見ていきます。
こちらも予想があたり9時から上昇トレンド継続でした。
出来高が減少している点は気になります・・・
ただ、あくまでも予測ですが見せ球をしていた人がいたのではないかと思っています。
歩み値を見たら14時30分ごろに大きく買われたことがわかります。
この玉が買われるまでは押さえつけられていた感が否めないです。
また、金曜日というのもあったかもしれないですね。
もし、来週下がってスタートしたら、また買っていくのもありかと思います。(ただ、投資は自己責任です。)
海外の決算内容がよかった点があるのでキャンバスのように
極端にストップ高からのストップ安はないかと思うですが、
ガードは下げないようにしたいですね。
下記のものは2つの銘柄のチャートを同時に取得できる
プログラムです。ご活用ください!
※2767.Tと4575.Tを別の銘柄コードにすることで他の銘柄のチャートを出すことができます。
<コピーして貼り付けると上のチャートが取得可能です>
#ライブラリのインポート
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime
import yfinance as yf
import mplfinance as mpf
#銘柄コード
A = "2767.T"
B = "4575.T"
#------------------------------------------------------------------------------------------------------------------------------#期間とローソク足を指定(日足)
date = yf.download(A , period= "6mo", interval = "1d")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#期間とローソク足を指定(5分足)
date = yf.download(A , period= "1d", interval = "5m")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#------------------------------------------------------------------------------------------------------------------------------
#期間とローソク足を指定(日足)
date = yf.download(B , period= "6mo", interval = "1d")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
#期間とローソク足を指定(5分足)
date = yf.download(B , period= "1d", interval = "5m")
df = date
#可視化
df.plot()
mpf.plot(df, type="candle",volume=True,figratio=(10,5))
今日のオススメ本
総合的にお金勉強ができます。
Pythonを始める準備ができていない人は↓から