时间戳

首页 > 解决方案 > 使用 Python 将 Yahoo Finance 中的历史股票价格转换为不同的货币

python - 使用 Python 将 Yahoo Finance 中的历史股票价格转换为不同的货币

问题描述

我正在尝试将非欧元上市公司的历史股价调整为欧元。因此，我想将苹果的股价转换为欧元。我已经刮掉了历史汇率以及历史调整后的股价。我现在有两个数据框，第一个数据框显示股票的货币和股票价格。我将多只股票用于我的投资组合。我通过使用以下代码来做到这一点：

assets =  ["^AEX", "AAPL", "AZN.L", "AD.AS ", "ASML.AS"]

.

                     ^AEX   AAPL    AZN.L   AD.AS   ASML.AS    idx
                      EUR   USD     GBP     EUR     EUR         currency
2021-02-02 00:00:00 652.87  134.789 51.46   23.54   457.5       NaN
2021-02-03 00:00:00 654.89  133.74  51.42   23.6    457.15      NaN
2021-02-04 00:00:00 654.38  137.185 50.84   23.46   459.55      NaN
2021-02-05 00:00:00 653.24  136.76  51      23.35   460         NaN
2021-02-08 00:00:00 656.39  135.942 51.48   23.3    467.1       NaN

第二个数据框显示了历史汇率数据。

       Currency code    Currency name   Units per EUR   EUR per Unit    Date
0   0   USD             US Dollar       1.320339        0.757381    2021-02-03
1   1   EUR             Euro            1.000000        1.000000    2021-02-03
2   2   GBP             British Pound   0.812044        1.231461    2021-02-03
3   3   INR             Indian Rupee    72.359647       0.013820    2021-02-03
4   4   AUD             Australian Dollar 1.269889      0.787470    2021-02-03

现在的想法是合并两个框架，并以欧元显示股票价格。我认为我们必须将两个日期都放在合并的数据框中。

我们需要一个 for 循环来识别股票是否不是欧元，搜索日期匹配，搜索货币代码匹配，如果货币代码是美元，则乘以股票 * 0.757381（如果数据框 1) 中的库存日期为 2012-02-03。

如果股票是欧元，我们可以乘*1。例如，如果股票价格以英镑为单位，则乘以 *1.231461。

理想的情况是有一个新的数据框，其中只有日期和欧元股票价格。

标签： pythonstockprice

解决方案

对于这样的情况，我们可以

  1. 分别获取股票价格和汇率后合并
  2. 在获取股票价格的同时获取汇率并将其存储在数据框中。

这些方法可能会有所不同，具体取决于要收购的股票和货币的数量以及要涵盖的时期。我采取的方法是后一种，股票价格和汇率是在获取时获取和存储的。

原因是过去的汇率没有变化，所以在获取时获取汇率并转换为基准汇率。我们相信这种效果将减少代码量，数据的唯一重用将是提取。

import yfinance as yf
import pandas as pd
import numpy as np

start = '2020-07-01'
end = '2021-01-01'

rates = ['USDEUR=X', 'GBPEUR=X']
tickers = yf.Tickers(' '.join(rates))

exchange_rates = []
for i in tickers.tickers:
    exchange_rates.append(tickers.tickers[i].history(start=start, end=end).Close)

ex_df = pd.DataFrame(exchange_rates).T
ex_df.columns = rates
ex_df['EUREUR=X'] = 1.0

assets = {'^AEX':'EUR', 'AAPL':'USD', 'AZN.L':'GBP', 'AD.AS':'EUR', 'ASML.AS':'EUR'}

stock_df = pd.DataFrame()
for k,v in assets.items():
    data = yf.download(k, start=start, end=end, progress=False).Close.to_frame()
    data['ticker'] = k
    if v[:3] == 'EUR':
        data['rating'] = ex_df['EUREUR=X']
        data['price'] = data['Close'] / data['rating'] 
    elif v[:3] == 'USD':
        data['rating'] = ex_df['USDEUR=X']
        data['price'] = data['Close'] / data['rating'] 
    elif v[:3] == 'GBP':
        data['rating'] = ex_df['GBPEUR=X']
        data['price'] = data['Close'] / data['rating'] 
    else:
        data['rating'] = np.NaN
        data['price'] = np.NaN
stock_df = pd.concat([stock_df, data], axis=0)

stock_df
    Close   ticker  rating  price
Date                
2020-06-30  559.729980  ^AEX    1.0     559.729980
2020-07-01  562.669983  ^AEX    1.0     562.669983
2020-07-02  570.750000  ^AEX    1.0     570.750000
2020-07-03  568.630005  ^AEX    1.0     568.630005
2020-07-06  578.520020  ^AEX    1.0     578.520020
...     ...     ...     ...     ...
2020-12-24  393.500000  ASML.AS     1.0     393.500000
2020-12-28  396.850006  ASML.AS     1.0     396.850006
2020-12-29  396.299988  ASML.AS     1.0     396.299988
2020-12-30  398.500000  ASML.AS     1.0     398.500000
2020-12-31  397.549988  ASML.AS     1.0     397.549988

stock_df.loc[stock_df['ticker'] == 'AAPL'].head()

    Close   ticker  rating  price

    Close   ticker  rating  price
Date                
2020-06-30  91.199997   AAPL    0.88911     102.574478
2020-07-01  91.027496   AAPL    0.89000     102.278087
2020-07-02  91.027496   AAPL    0.88878     102.418480
2020-07-06  93.462502   AAPL    0.88911     105.119162
2020-07-07  93.172501   AAPL    0.88395     105.404719

推荐阅读