使用 Python 視覺化期權流：逐步指南

在不斷發展的金融世界中，視覺化資料可以提供對市場趨勢前所未有的洞察。在本文中，我們將探討如何利用 Python 來執行特定的財務分析任務：使用雅虎財經的歷史資料來視覺化給定股票的選擇權流。我們將使用一個程式碼片段來獲取期權數據、對其進行處理並產生散點圖來說明看漲期權和看跌期權的流程。讓我們深入了解細節。

入門

我們的目標是分析特定股票的選擇權資料並在散佈圖中將其視覺化。在本例中，我們將使用股票代號 LLY（禮來公司）。此程式碼片段完成以下任務：

1. 檢索指定股票的最新選擇權資料。
2. 過濾和清理資料。
3. 建立散佈圖來表示買權和賣權隨時間的變化。

逐步細分

1. 導入庫

首先，我們需要導入必要的函式庫：

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

• yfinance 用來取得歷史股票資料。
• os 處理目錄和檔案操作。
• datetime 和 timedelta 用於管理日期。
• matplotlib.pyplot 用於建立視覺化。
• pandas 用於資料操作和分析。

2. 設定目錄和文件

我們設定了保存資料的輸出目錄和檔案：

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

這裡，我們確保輸出目錄存在並指定資料檔案的路徑。

3. 取得和處理選項數據

要取得股票代號 LLY 的選擇權數據，我們使用 yfinance：

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

如果 populate_data 設定為“Y”，程式碼將取得新的選項資料。如果“N”，它將使用現有的資料檔案。

以下是資料擷取與處理的完成方式：

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}")

此程式碼取得看漲期權和看跌期權數據，過濾掉包含不需要的捲數據的行，並將其寫入文件。

4. 清理和準備可視化數據

接下來，我們讀取資料並清理它：

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()]

我們確保我們的資料集不包含 NaN 值，且 Last_Trade_Date 的日期時間格式正確。

5. 建立散點圖

我們已準備好建立散佈圖：

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}")

此部分建立買權和賣權的散佈圖，其中 y 軸為行使價，x 軸為交易日期。點的大小代表交易量，綠色表示買權，紅色表示賣權。我們還出於品牌目的添加浮水印並將繪圖保存到文件中。

結論

視覺化選擇權資料有助於交易者和分析師了解市場情緒和交易活動。本指南示範如何使用 Python 取得、處理和視覺化選擇權資料。透過執行以下步驟，您可以針對任何股票調整此程式碼並分析其選擇權流，從而提供有關市場趨勢的寶貴見解。

請隨意修改程式碼以滿足您的特定需求，並探索視覺化財務資料的不同方法。

以上是使用 Python 視覺化期權流：逐步指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！