Skrip Python untuk Analisis Sentimen Saham

"Pasaran saham dipenuhi dengan individu yang tahu harga segala-galanya, tetapi nilai tiada." - Philip Fisher

Python telah berkembang dengan ketara dalam populariti dan digunakan dalam pelbagai aplikasi, daripada pengiraan asas kepada analisis statistik lanjutan untuk data pasaran saham. Dalam artikel ini kita akan melihat skrip Python yang menunjukkan penguasaan Python yang semakin meningkat dalam dunia kewangan. Keupayaannya untuk menyepadukan dengan lancar dengan data, melakukan pengiraan yang rumit dan mengautomasikan tugas menjadikannya alat yang tidak ternilai untuk profesional kewangan.

Skrip ini menunjukkan cara Python boleh digunakan untuk menganalisis tajuk berita dan mengekstrak cerapan berharga ke dalam sentimen pasaran. Dengan memanfaatkan kuasa perpustakaan Natural Language Processing (NLP), skrip menganalisis nada emosi artikel berita yang berkaitan dengan stok tertentu. Analisis ini boleh memberikan maklumat penting untuk pelabur, membantu mereka:

• Buat keputusan pelaburan yang lebih termaklum: Dengan memahami sentimen pasaran semasa, pelabur boleh mengenal pasti peluang yang berpotensi dan mengurangkan risiko.
• Membangunkan strategi dagangan yang lebih berkesan: Analisis sentimen boleh disepadukan ke dalam algoritma dagangan untuk meningkatkan masa dan berpotensi meningkatkan pulangan.
• Dapatkan kelebihan daya saing: Kepelbagaian Python membolehkan pembangunan model kewangan yang canggih dan analisis set data yang luas, memberikan kelebihan yang ketara dalam landskap kewangan yang kompetitif

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}.")

Output:

Import

• permintaan: Digunakan untuk membuat permintaan HTTP untuk mengambil data daripada API web.
• pandas: Pustaka manipulasi data yang digunakan untuk mencipta dan mengurus data dalam format DataFrame.
• SentimentIntensityAnalyzer daripada nltk.sentiment.vader: Alat untuk analisis sentimen yang menyediakan skor sentimen untuk teks.

Persediaan

• Persediaan NLTK: Skrip termasuk ulasan yang menunjukkan bahawa leksikon VADER perlu dimuat turun menggunakan NLTK. Ini dilakukan dengan nltk.download('vader_lexicon').

Fungsi

get_news_headlines(ticker)

• Tujuan: Mengambil tajuk berita yang berkaitan dengan simbol penanda saham tertentu.
• Parameter:
  • ticker: Rentetan yang mewakili simbol ticker saham (cth., 'AAPL' untuk Apple).
• Pulangan: Senarai tajuk berita sebagai rentetan.
• Pelaksanaan:
  • Membina URL untuk API berita hipotesis menggunakan ticker yang disediakan.
  • Menghantar permintaan GET ke API dan menyemak status respons yang berjaya.
  • Menghuraikan respons JSON untuk mengeluarkan tajuk berita.
  • Mengendalikan kemungkinan ralat dalam menghuraikan dengan blok cuba kecuali.

analisis_sentimen(tajuk)

• Tujuan: Melakukan analisis sentimen pada senarai tajuk berita.
• Parameter:
  • tajuk berita: Senarai rentetan, setiap satu mewakili tajuk berita.
• Pulangan: DataFrame panda yang mengandungi tajuk berita dan skor sentimennya (kompaun, positif, negatif, neutral).
• Pelaksanaan:
  • Memulakan SentimentIntensityAnalyzer.
  • Mengulang setiap tajuk, mengira skor sentimen dan menyimpannya dalam senarai.
  • Menukar senarai data sentimen kepada DataFrame panda.

Perlaksanaan Utama

• Skrip menggesa pengguna untuk memasukkan simbol ticker saham.
• Ia memanggil get_news_headlines untuk mengambil tajuk berita bagi penanda yang diberikan.
• Jika tajuk utama ditemui, ia menjalankan analisis sentimen menggunakan analisis_sentimen.
• DataFrame yang terhasil dicetak, menunjukkan setiap tajuk dengan skor sentimennya.
• Ia mengira dan mencetak purata skor sentimen kompaun untuk tajuk berita.
• Jika tiada tajuk ditemui, ia mencetak mesej yang menunjukkan ini.

Kesimpulan

Python serba boleh dan perpustakaan berkuasa menjadikannya alat yang sangat diperlukan untuk analisis data moden dan tugas pengiraan. Keupayaannya untuk mengendalikan segala-galanya daripada pengiraan mudah kepada analisis pasaran saham yang kompleks menggariskan nilainya merentas industri. Memandangkan Python terus berkembang, peranannya dalam memacu inovasi dan kecekapan dalam membuat keputusan berasaskan data ditetapkan untuk berkembang lebih jauh, mengukuhkan kedudukannya sebagai asas kemajuan teknologi

nota: Kandungan bantuan AI

Atas ialah kandungan terperinci Skrip Python untuk Analisis Sentimen Saham. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!