Calculando medias móviles de acciones con python - SMA

En el mundo de las finanzas, hay una herramienta llamada Media Móvil Simple (SMA) que nos ayuda a entender si el precio de un acción está subiendo o bajando. Suena complicado, ¿verdad? Pero no te preocupes, es más simple de lo que parece. 

¿Qué es una Media Móvil Simple (SMA)?

Imagina que quieres saber si el precio promedio de una acción ha estado subiendo o bajando durante un período de tiempo. La SMA toma los precios de la acción durante ese tiempo y calcula un promedio (como el promedio de tus calificaciones en la escuela). Este número promedio nos dice si la acción está en una tendencia alcista (subiendo) o bajista (bajando).

Cómo Funciona la SMA:

La SMA toma los precios de una acción durante un período (digamos 10 días) y suma todos esos precios. Luego, divide esa suma por la cantidad de días (10 en este caso) para obtener el promedio.

Ejemplo:

Supongamos que durante los últimos 10 días, los precios de una acción fueron: 50, 52, 54, 53, 55, 56, 57, 58, 59, y 60. La SMA sería:

(50 + 52 + 54 + 53 + 55 + 56 + 57 + 58 + 59 + 60) / 10 = 554 / 10 = 55.4

Entonces, la SMA de 10 días para esta acción es 55.4.  Para este ejemplo como el último precio es 60 que es mayor que la media 55.4 podemos decir que el precio de la acción está subiendo... Realmente, no pero casi casi.  

¿Por qué es Útil la SMA?

La SMA nos ayuda a ver si una acción está en una tendencia alcista o bajista. Si la SMA sube, significa que el precio promedio está subiendo, lo que puede ser una señal de que la acción es una buena inversión. Si la SMA baja, podría ser una señal de que la acción no está yendo tan bien.

Vamos con Python

Repetiremos el procedimiento de artículos anteriores, abriremos Visual Studio Code, nuestra carpeta "Mis Documentos/PythonBursatil"  y crearemos un archivo llamado sma.py

Lo primero será  importar yfinance, datetime y pandas

import yfinance as yf

import pandas as pd

from datetime import datetime, timedelta

Definimos el ticker de la acción a analizar. En este ejempo AAPL. 

ticker_symbol = "AAPL"  # Cambia AAPL por el símbolo de la acción que desees analizar

En dos variables end_date y start_date colocamos el rango a analizar. 

end_date = datetime.today().strftime('%Y-%m-%d')

start_date = (datetime.today() - timedelta(days=730)).strftime('%Y-%m-%d')  # 730 días equivalen a dos años

Descargamos los datos históricos de la acción. 

data = yf.download(ticker_symbol, start=start_date, end=end_date)

Vamos a calcular la media móvil para 5, 15 y 30 días. 

dias  = 5

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 15

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 30

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

Vamos parte por parte: 

'SMA_' + str(dias) :  Colocamos el nombre de la nueva columna 

data[' Close'] .rolling(window=dias):  Estamos sacando una ventana móvil para ese número de días. 

data[' Close'] .rolling(window=dias).mean():  A esa ventana móvil le sacamos el promedio (mean)

Guardamos el resultado en un archivo de excel

excel_filename = ticker_symbol + "_historico_precios.xlsx"

data.to_excel(excel_filename)

print(f"Los datos se han guardado en el archivo: {excel_filename}")

Pongamos todo junto. 

import yfinance as yf

import pandas as pd

from datetime import datetime, timedelta

# Definir el símbolo de la acción

ticker_symbol = "AAPL"  # Cambia AAPL por el símbolo de la acción que desees analizar

# Calcular las fechas hace dos años y la fecha actual

end_date = datetime.today().strftime('%Y-%m-%d')

start_date = (datetime.today() - timedelta(days=730)).strftime('%Y-%m-%d')  # 730 días equivalen a dos años

# Descargar los datos históricos de la acción

data = yf.download(ticker_symbol, start=start_date, end=end_date)

# Calcular la media móvil de 5 días

dias  = 5

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 15

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 30

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

# Mostrar los ultimos registros de los datos

print(data.tail(10))

# Guardar los datos en un archivo Excel (.xlsx)

excel_filename = ticker_symbol + "_historico_precios.xlsx"

data.to_excel(excel_filename)

print(f"Los datos se han guardado en el archivo: {excel_filename}")

También podemos agregar una columna con recomendaciones de compra y venta basándonos en el algoritmo de cruce de medias. Por ejemplo el cruce de 5 y 30. Pero solo darémos recomendación si la diferencia entre las medias es de un 5%.  Tanto las medias como el porcentaje son arbitrarios. Use y prueba los propios para sus inversiones. 

data['Recomendacion'] = 'Esperar'  # Valor predeterminado de "Esperar"

# Calcular la diferencia entre las medias móviles

data['Diferencia'] = (data['SMA_5' ] / data['SMA_30' ]) - 1

# Si la diferencia es mayor al 5%, se recomienda "Compra"

data.loc[data['Diferencia'] > 0.05, 'Recomendacion'] = 'Compra'

# Si la diferencia es menor al -5%, se recomienda "Venta"

data.loc[data['Diferencia'] < -0.05, 'Recomendacion'] = 'Venta'

Veamos como queda todo junto.

import yfinance as yf

import pandas as pd

from datetime import datetime, timedelta

# Definir el símbolo de la acción

ticker_symbol = "AAPL"  # Cambia AAPL por el símbolo de la acción que desees analizar

# Calcular las fechas hace dos años y la fecha actual

end_date = datetime.today().strftime('%Y-%m-%d')

start_date = (datetime.today() - timedelta(days=3650)).strftime('%Y-%m-%d')  # 730 días equivalen a dos años

# Descargar los datos históricos de la acción

data = yf.download(ticker_symbol, start=start_date, end=end_date)

# Calcular la media móvil de 5 días

dias  = 5

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 15

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

dias  = 30

data['SMA_' + str(dias)] = data['Close'].rolling(window=dias).mean()

data['Recomendacion'] = 'Esperar'  # Valor predeterminado de "Esperar"

# Calcular la diferencia entre las medias móviles

data['Diferencia'] = (data['SMA_5'] / data['SMA_30' ]) - 1

# Si la diferencia es mayor al 5%, se recomienda "Compra"

data.loc[data['Diferencia'] > 0.05, 'Recomendacion'] = 'Compra'

# Si la diferencia es menor al -5%, se recomienda "Venta"

data.loc[data['Diferencia'] < -0.05, 'Recomendacion'] = 'Venta'

# Mostrar los ultimos registros de los datos

print(data.tail(10))

# Guardar los datos en un archivo Excel (.xlsx)

excel_filename = ticker_symbol + "_historico_precios3.xlsx"

data.to_excel(excel_filename)

print(f"Los datos se han guardado en el archivo: {excel_filename}")

El resultado obtenido es el siguiente. Donde podemos ver que nos recomienda Esperar y hubo recomendaciones de Venta desde Agosto 10 al 23.

Espero les haya gustado. Nos vemos en el próximo post.

One excel to rule them all - O como generar un archivo excel con el histórico de precio de las acciones

Bienvenidos nuevamente a mi blog de análisis financiero con python. Hoy por fin empezaremos a sacarle provecho a python.

Si estás acá seguramente habrás tenido que descargar históricos de precios para hacer tus propios análisis en Excel. ¿Quita tiempo verdad?

Simplifica tu Vida Financiera con Python: Históricos de Acciones Sin Descargas Repetidas

En el apasionante mundo de las inversiones, el tiempo es esencial, y cada minuto cuenta. La búsqueda constante y la descarga manual de datos históricos de acciones pueden resultar agotadoras y consumir tiempo. Sin embargo, hay una solución brillante: Python. Con Python, ya no necesitas descargar los históricos de cada acción una y otra vez. Permíteme destacar por qué esta característica puede marcar una diferencia significativa en tu enfoque de inversión.

Eficiencia a Tu Alcance

Imagina un escenario donde posees una herramienta que puede automatizar completamente la descarga de datos históricos de todas tus acciones favoritas. Con Python, esto es una realidad. Puedes escribir un único script que se encargue de obtener todos los datos necesarios para todas tus inversiones, sin tener que repetir el proceso.

Enfoque en el Análisis, No en las Descargas

Al eliminar la necesidad de descargar manualmente datos, puedes concentrarte en lo que realmente importa: el análisis de inversiones. Python te libera para que profundices en tus estrategias, estudies tendencias y tomes decisiones basadas en datos más sólidos.

Este blog es de python. No de Excel. Pero tan sólo imagínate que tienes un archivo de EXCEL siempre actualizado con los históricos de precios de tus acciones favoritas.  En otro archivo de excel haciendo referencia a este primero podrás tener tus gráficos e indicadores.   

Manos a la obra

Abre Visual Code (ya explicamos como en el artículo anterior).  Abre la carpeta del proyecto "Mis Documentos/PythonBursatil"  

Crea un archivo llamado descargar_acciones.py

Lo primero que haremos en importar las librería necesarias yfinance y pandas:

import yfinance as yf

from datetime import datetime, timedelta

import pandas as pd

Luego crearemos una lista con nuestras acciones favoritas:

stock_symbols = ["AAPL", "MSFT", "GOOGL", "AMZN", "TSLA"]

Luego le diremos a pandas que nos cree un archivo de excel llamado "stock_price_history.xlsx":

excel_writer = pd.ExcelWriter("stock_price_history.xlsx", engine="openpyxl")

Calculamos la fecha actual y dos años atrás

end_date = datetime.today().strftime('%Y-%m-%d')

start_date = (datetime.today() - timedelta(days=730)).strftime('%Y-%m-%d')

Vamos a hacer un ciclo descargando los precios históricos y agregándolos como hojas al archivo

for symbol in stock_symbols:

    stock_data = yf.download(symbol, start=start_date, end=end_date)  # Modify the date range as needed

    stock_data.to_excel(excel_writer, sheet_name=symbol)

excel_writer.save()

Pongámoslo todo junto:

import yfinance as yf

from datetime import datetime, timedelta

import pandas as pd

stock_symbols = ["AAPL", "MSFT", "GOOGL", "AMZN", "TSLA"]

excel_writer = pd.ExcelWriter("stock_price_history.xlsx", engine="openpyxl")

end_date = datetime.today().strftime('%Y-%m-%d')

start_date = (datetime.today() - timedelta(days=730)).strftime('%Y-%m-%d')

for symbol in stock_symbols:

    stock_data = yf.download(symbol, start=start_date, end=end_date)  # Modify the date range as needed

    stock_data.to_excel(excel_writer, sheet_name=symbol)

excel_writer.save()

Ya lo podemos ejecutar y nos generará el archivo de excel deseado.

Este script lo podrás ajustar a tus necesidades e incluirlo el administrador de tareas para que se ejecute a diario. En otro archivo de excel podrás hacer referencia a este archivo que siempre estará actualizado. 


Es todo hasta aquí. No olviden seguirme en mis redes sociales:

https://twitter.com/juriel0000

https://www.youtube.com/juriel0000

El contenido de este artículo tambien se puede ver en video.

https://youtu.be/PbA07M4_k0g

Instalación de Visual Code - Guía Completa para Instalar Visual Studio Code en tu Ordenador

Visual Studio Code (VS Code) es un potente y versátil editor de código desarrollado por Microsoft. Es ampliamente utilizado por programadores y desarrolladores debido a su amplia gama de extensiones, su interfaz intuitiva y su capacidad para trabajar con una variedad de lenguajes de programación. En este artículo, te guiaremos a través de los pasos para instalar Visual Studio Code en tu ordenador.

Paso 1: Descargar el Instalador

El primer paso para instalar Visual Studio Code es obtener el instalador adecuado para tu sistema operativo. Visita el sitio web oficial de Visual Studio Code en [https://code.visualstudio.com/](https://code.visualstudio.com/) y haz clic en el botón de descarga. El sitio web debería detectar automáticamente tu sistema operativo y ofrecerte el instalador correcto. Si no es así, selecciona manualmente tu sistema operativo antes de descargar el instalador.

Paso 2: Instalar Visual Studio Code

Una vez que hayas descargado el instalador, sigue estos pasos para completar la instalación:

1. Windows: Ejecuta el archivo descargado (.exe) y sigue las instrucciones del asistente de instalación. Puedes elegir las opciones predeterminadas o personalizar la ubicación de la instalación según tus preferencias.

2. macOS: Abre el archivo .dmg descargado y arrastra el ícono de Visual Studio Code hacia la carpeta "Aplicaciones". Una vez completada la copia, puedes ejecutar VS Code desde la carpeta de aplicaciones.

3. Linux: Dependiendo de tu distribución, puedes seguir diferentes métodos para instalar VS Code. Por lo general, puedes usar comandos como `sudo apt-get install code` en sistemas basados en Debian o `sudo dnf install code` en sistemas basados en Fedora. Consulta la documentación de instalación específica para tu distribución en el sitio web de VS Code.

Paso 3: Configurar Extensiones y Personalización

Una de las características más destacadas de Visual Studio Code es su capacidad para extender su funcionalidad a través de extensiones. Después de instalar VS Code, puedes personalizarlo según tus necesidades instalando extensiones que te ayuden con la programación en lenguajes específicos, la depuración de código, la administración de versiones y mucho más.

En nuestro caso instalaremos la extensiones de Python

1. Abre Visual Studio Code.

2. Haz clic en la pestaña de "Extensiones" en la barra lateral o presiona `Ctrl + Shift + X` (o `Cmd + Shift + X` en macOS).

3. Busca la extensión PYTHON en  el marketplace. Hay varias, escoje la de Microsoft.

Paso 4: Comienza a Codificar

Una vez que hayas instalado las extensiones que necesitas y personalizado Visual Studio Code según tus preferencias, ¡es hora de empezar a codificar!

Para Visual Code es muy importante  entender que un proyecto es realmente una carpeta.  Crea en "Mis Documentos" una carpeta llamada "PythonBursatil". 

1. Abre Visual Studio Code.

2. Abre la carpeta (importante que sea la carpeta) que acabas de crear Mis Documentos\PythonBursatil

3. Dale Nuevo archi

4. Comienza a escribir tu código en el área de edición.

Probemos con un hola python bursatil. Escribe lo siguiente:

print("Hola Python Bursatil")

En la parte superior busca Run o Ejecutar.  Debe aparecer en la parte inferior el resultado de la ejecución

Conclusión

La instalación de Visual Studio Code es un proceso sencillo que te permitirá acceder a un editor de código altamente funcional y personalizable. Al seguir estos pasos, estarás listo para comenzar a escribir y depurar código en poco tiempo. Aprovecha al máximo las extensiones y características que ofrece para mejorar tu productividad y experiencia de programación. ¡Feliz codificación!

Instalando Python, pandas, Mathplot y MPLFinance para análisis bursátil (versión Windows)

En el emocionante mundo de la inversión bursátil, la capacidad de analizar y visualizar datos de manera efectiva es fundamental para tomar decisiones informadas. Python, un lenguaje de programación versátil y ampliamente utilizado en la comunidad financiera, ofrece las herramientas adecuadas para este propósito. En este artículo, exploraremos los pasos iniciales para configurar tu entorno de desarrollo y prepararlo para el análisis bursátil. Aprenderás cómo instalar Python en tu sistema y configurar bibliotecas esenciales como pandas y matplotlib, que te permitirán realizar análisis de datos y crear visualizaciones impactantes. Listo para sumergirte en el análisis financiero basado en datos? ¡Vamos a empezar!

Instalación de Python

1. Descarga del Instalador: - Ve al sitio web oficial de Python en https://www.python.org/downloads/windows/. - En la página de descargas, verás las últimas versiones de Python disponibles. El sitio web detectará automáticamente tu sistema operativo como Windows. - Selecciona la versión más reciente de Python (por ejemplo, Python 3.9.7) haciendo clic en el enlace. - Desplázate hacia abajo en la página y busca la sección "Files". Allí encontrarás varios instaladores para diferentes versiones de Windows y sistemas (32 bits o 64 bits). Si tu sistema es de 64 bits (lo más común en máquinas modernas), elige el instalador de 64 bits.

2. Ejecutar el Instalador: - Una vez que hayas descargado el instalador, haz doble clic en él para ejecutarlo. - En la primera pantalla del instalador, asegúrate de marcar la casilla "Add Python x.x to PATH". Esto permitirá acceder a Python desde la línea de comandos y otros programas sin tener que configurar manualmente las variables de entorno.

3. Configurar la Instalación: - Haz clic en "Customize installation" para personalizar la instalación si lo deseas, o simplemente puedes hacer clic en Install Now o Instalar Ahora para continuar con la configuración predeterminada.



En esta imágen podemos ver los opciones de "customización". En mi caso cambie la ruta de instalación al disco E:\ porque tengo poco espacio en C:\








Si no desea customizar solo presione "Install Now"

4. Proceso de Instalación: - El instalador comenzará a copiar los archivos necesarios y configurar Python en tu sistema. - Durante la instalación, verás una barra de progreso. Puede llevar unos minutos completar el proceso.








5. Completar la Instalación: - Una vez que la instalación se haya completado, verás una pantalla que dice "Setup was successful". Esto significa que Python se ha instalado correctamente en tu sistema.

6. Verificar la Instalación: - Abre el menú Inicio y busca "IDLE" o "Python" para encontrar la aplicación IDLE, que es un entorno interactivo para Python. - Abre IDLE y en la ventana interactiva que aparece, ingresa `print("Bienvenidos a Python Bursátil")` y presiona Enter. Si ves la salida "Hola, Python", eso significa que Python se ha instalado correctamente y está funcionando.




En el paso 1. Escribimos python en la cajita de texto








En el paso 2 Se abrirá una ventana donde podemos interactuar directamente con python










¡Listo! Ahora tienes Python instalado en tu sistema Windows. Puedes comenzar a escribir y ejecutar tus propios programas en Python. Pero queremos ir más allá. Deseamos utilizarlo para análisis bursátil. Entonces vamos con Pandas.

Instalación de pandas y numpy

Para instalar pandas haremos uso del manejador de paquetes de python llamado pip.

Para ejecutar pip debemos abrir la línea de comandos de windows CMD. Para esto en la barrita de búsqueda de windows escribiremos CMD y haremos click sobre simbolo del sistema











Aparecerá una pantalla negra con letras grises algo intimidante. No te preocupes. Lo que sigue es fácil.




Debes escribir: 

pip install pandas numpy 

Con esto le estamos pidiendo a pip (el manejador de librerías de python) que nos instale pandas y numpy.

Ahora instalaremos yfinance para descargar los datos desde Yahoo Finance. El procedimiento es el mismo que usamos con pandas y numpy

pip install yfinance

Vamos a probar si todo quedó bien. Abriremos nuevamente python IDLE como hicimos en el último paso de la instalación de python. Y escribiremos una a una las siguientes líneas asegurándonos de presionar ENTER después de cada una para que se ejecuten. Es importante que sea una a una.

import pandas as pd

from datetime import datetime

import yfinance as yf

start_date = datetime(2020, 1, 1)

data = yf.download('AAPL', start = start_date)

print(data)

Si obtienes un resultado como el de la siguiente imagen lo has logrado. Y si no, verifica los pasos o comenta en el blog y te tiraremos un cable.








Por favor no cierres esta ventana porque la usaremos en el siguiente paso para graficar las acciones de Apple.

Instalación del Matplot financiero: MPLFinance

Seguiremos el mismo procedimiento de instalación de pandas, numpy y yfinance.


Desde CMD (La terminal de fondo negro) digitaremos:

pip install mplfinance mathplot

Desde la terminal de python IDLE lo probaremos

import mplfinance as mpl

mpl.plot(data)

Te debe aparecer esta gráfica super chula con el histórico de los precios de AAPL








Y con esto hemos terminado. Como verás no fue tan difícil.




Si les ha gustado por favor compartan este contenido con sus amigos. Esto me ayuda muchísimo a la difusión de este contenido. 

También pueden seguirme en mis redes sociales, donde no soy tan simpático porque también hablo de política

https://twitter.com/juriel0000


Y en mi canal de Youtube encontrarán videos sobre estos mismos temas:

https://www.youtube.com/juriel0000

Bienvenidos a PythonBursátil: Revoluciona Inversiones con Inteligencia Artificial

Perdiendo Dinero con Estilo: Aventuras en Finanzas con Python, Pandas e IA

¡Bienvenido, despilfarrador de dinero y amante de las apuestas financieras!

No trates de engañarme. Si has llegado acá es porque ya has perdido dinero de todas las maneras posibles en los mercados financieros y quieres probar una más. Y no te voy a defraudar.

Se que ya debiste probar análisis técnico, análisis fundamental, ciclos económicos, pagado a gurús de twitter, youtube e instagram, pasaron por la moda del value investing, probaron con cryptos y quien sabe cuantas otras cosas más. 

¿Estás preparado para embarcarte en un emocionante viaje hacia el abismo del mercado, donde las ganancias son inciertas y las pérdidas están al orden del día? Si ya has tomado la decisión de regalar tu dinero duramente ganado, entonces estás a punto de sumergirte en una locura educativa donde aprenderás mucho sobre finanzas y programación y poco sobre cómo conservar tus ahorros. 

¿Alguna vez te has preguntado cómo esos "expertos" predicen el futuro de las acciones? Bienvenido al circo, porque aquí revelamos la verdad detrás de los trucos: Python, Pandas e Inteligencia Artificial. ¿Listo para descubrir cómo perder tu camisa de forma elegante?

Seamos sinceros, batir al mercado es difícil y muy pocos lo logran. De este blog te quedará la satisfación de aprender conceptos básicos de programación , automatizar tus análisis financieros. Y si no logras ganar dinero por lo menos podrás conseguir empleo como analista de datos. 

Vamos al grano y presentaremos la herramientas de este curso o blog. 

Python. La columna vertebral 

Python es tu boleto de admisión a la sociedad de programadores que pretenden entender los números que ruedan por Wall Street.

Cuando se trata de la anatomía del análisis financiero, Python se erige como la columna vertebral que sostiene todo el proceso. Es el lenguaje de programación que ha demostrado ser esencial en el mundo de las finanzas debido a su flexibilidad, simplicidad y una amplia comunidad de desarrolladores que continúan impulsando su evolución.

Python se convierte en una herramienta esencial en el análisis financiero por varias razones clave:

1. Automatización y Eficiencia: Python permite automatizar tareas repetitivas y procesos complejos, lo que ahorra tiempo y minimiza errores en el análisis de grandes volúmenes de datos financieros.

2. Acceso a Datos: Mediante bibliotecas y módulos, Python ofrece la capacidad de acceder a una variedad de fuentes de datos financieros, desde feeds en tiempo real hasta bases de datos históricas.

3. Manipulación y Limpieza de Datos:  librerías como Pandas, Python permite la manipulación y limpieza efectiva de datos financieros, lo que resulta fundamental para garantizar resultados precisos y confiables.

4. Visualización de Datos Bibliotecas como Matplotlib y Seaborn permiten crear visualizaciones gráficas claras y significativas que ayudan a entender y presentar patrones y tendencias financieras.

5. Análisis Cuantitativo: Python es utilizado ampliamente en el desarrollo de modelos matemáticos y algoritmos para el análisis cuantitativo.

6. Integración de Herramientas: Python puede integrarse con otras herramientas y plataformas utilizadas en finanzas, como hojas de cálculo y sistemas de trading automatizado. O también lo puedes utilizar para alimentar bases de datos 

7. Comunidad Activa: La comunidad de desarrolladores en torno a Python en finanzas es activa y creciente, lo que significa que siempre hay recursos, tutoriales y soluciones disponibles para los desafíos específicos del análisis financiero.

En mi canal de youtube enseño como instalar python:

https://youtu.be/J7cCqWbL6Ps

Para descargar e instalar python sigue este enlace:
https://www.python.org/downloads/

Pandas: El Titiritero de los Datos

¿Recuerdas esa vez en la que intentaste analizar una tabla de datos y parecía que alguien había lanzado un puñado de números al azar? 

Pandas es la librería principal de python para análisis de datos. Funciona de manera análoga a una hoja de excel y muy parecido a como funcionan las tablas en las bases de datos. 

Es importante que aprendamos pandas porque las librerías de graficación, obtención de datos e IA usan sus estructuras de datos llamadas dataframes como insumos básico. 

https://pandas.pydata.org/

Matplotlib: Iluminando las Trayectorias de Acciones

En el escenario de las acciones, Matplotlib se convierte en el pintor de tu lienzo financiero. Esta biblioteca de visualización en Python es tu pincel para trazar gráficos que muestran el viaje de las acciones a lo largo del tiempo.

1. Tendencias: Matplotlib te permite crear gráficos de líneas que siguen la trayectoria de las acciones. Observa cómo suben y bajan, identifica patrones y evalúa tendencias con un simple vistazo.

2. Análisis Comparativo: Si deseas comparar múltiples acciones, Matplotlib te permite superponer gráficos en una sola imagen. Esto te ayuda a visualizar cómo diferentes activos se desempeñan en relación entre sí.

3. Velas Japonesas: ¿Interesado en los patrones de velas y las señales técnicas? Matplotlib es tu aliado para crear gráficos de velas japonesas. revelando patrones como dojis, martillos y estrellas fugaces.

4. Volumen y Precios Combina gráficos de precios con gráficos de volumen para evaluar la actividad de trading en torno a las acciones. Matplotlib te permite visualizar cómo los movimientos de precios se alinean con el volumen de transacciones.

5. Presentación Efectiva: Matplotlib te brinda control sobre etiquetas, colores y estilos, lo que te permite crear gráficos atractivos y profesionales para informes y presentaciones.

En el mundo del análisis de acciones, Matplotlib es la herramienta que te permite trazar el mapa de su viaje en el mercado. Desde la identificación de patrones técnicos hasta la evaluación de tendencias, esta biblioteca te proporciona el poder de la visualización para tomar decisiones informadas y estratégicas en el emocionante y volátil mundo de las inversiones.

https://matplotlib.org/

MariaDB o MySQL: Para almacenar los datos robados

También espero poder enseñarles algo de MariaDB (que es la versión libre de MySQL) porque necesitamos almacenar los datos que nos robemos en algún lado.

Es que apunta de hojitas de excel o archivitos CSV se puede uno volver loco. 

Por ende aprenderemos SQL básico que no sobra.

https://mariadb.org/download

Inteligencia Artificial: Tu Compañero de Apuestas

Tengo que colocar Inteligencia Artificial porque eso es lo que está de moda. Nooo, mentiras. La verdad si es un tema que he estado explorando  con resultados mixtos.  Para esto usaremos una librería llamada tensorflow. 

https://www.tensorflow.org/

Así que, querido lector y derrochador financiero, prepárese para un viaje a través de la montaña rusa de ganancias y pérdidas y más pérdidas. En las próximas entregas, exploraremos cómo Python, Pandas e IA pueden elevar tus niveles de estrés mientras expanden tus conocimientos en finanzas... a expensas de tus ahorros. ¡Asegúrate de traer tu capacidad para reírte de ti mismo, una almohada para gritar y la esperanza de que tu cuenta bancaria sobreviva para ver otro día!

Lo bueno de esto es que si pierdes todo tu dinero puedes empezar a vender cursos. ¿Acaso no es eso lo que hacen todos los gurús?


Les deje los enlaces de Python y MariaDB para que los vayan instalando. No lo haré en el blog porque de esos hay muuucho en Internet y me da pereza repetir eso. 


Si te ha gustado compártelo con tus amigos y síganme en twitter y en youtube donde espero publicar los videos que irán de la mano con este blog.

En twitter o X.com

https://twitter.com/juriel0000


En youtube tengo varios videos donde enseño lo básico de python y algunas cositas de análisis con python.

https://www.youtube.com/@juriel0000

Comenten cuales acciones les gustarían que análizasemos a manera de ejemplo y que cosas les gustaría ver en este blog.