On paljon lähteitä, jotka toimittavat historialliset varastotiedot, mutta ne tarjoavat vain OHLC-kentät yhdessä määrän kanssa ja säädettynä lähellä. Myös muutama löytämäni lähde tarjoaa markkinakorkotietojoukot, mutta ne rajoittuvat Yhdysvaltain osakkeisiin. Yahoo Finance toimittaa nämä tiedot verkossa, mutta niitä ei ole mahdollista ladata (tai kukaan ei ole tietoinen).
- Mistä voin ladata nämä tiedot eri maiden parhaimpiin pörsseihin kuuluvista osakkeista käyttämällä niiden tunnusta?
- Onko jollain tapaa ladata niitä Yahoo Finanssin tai Google Finance?
Tarvitsen tietoja viimeisen vuosikymmenen ajalta ja tarvitsen siis jonkin skriptin tai sovellusliittymän, joka tekisi tämän.
Vastaa
Quant SE on parempi paikka taloudellisten tietojen hankkimiseen liittyville kysymyksille:
vastaus
Tietojen keräämisen osalta voit tarkistaa Quandl (siellä on opetusohjelma sen käyttämiseen R kanssa DataCamp , jos olet kiinnostunut).
Lisäksi Aswath Damodaran” s s ite sisältää paljon hyödyllisiä tietoaineistoja. Vaikka niitä ei päivitetä niin usein, ne voivat silti olla hyödyllisiä, etenkin vertailukohtana oman tuotoksen vertailussa (skripteistä, jotka sinun on väistämättä kirjoitettava tarvittavien tietojen laskemiseksi).
Ja, taas kerran Quant SE on luultavasti parempi paikka etsiä …
Vastaus
Tällä sivustolla luetellaan S & P 100- ja NASDAQ-100 -yritysten historialliset markkina-arvot ja yritysarvot viimeisen 10 vuoden ajalta vuotta. Voit viedä tietojoukot Exceliin.
http://marketcapitalizations.com/historical-data/historical-data-categories/valuations/
Voit myös yrittää ottaa yhteyttä heihin tietojen saamiseksi pidempään.
Kommentit
- Oletko yhteydessä tähän BTW-sivustoon?
vastaus
tekisin niin.
import requests from bs4 import BeautifulSoup base_url = "https://finviz.com/screener.ashx?v=152&s=ta_topgainers&o=price&c=1,2,6,7,25,65,67" html = requests.get(base_url) soup = BeautifulSoup(html.content, "html.parser") main_div = soup.find("div", attrs = {"id":"screener-content"}) light_rows = main_div.find_all("tr", class_="table-light-row-cp") dark_rows = main_div.find_all("tr", class_="table-dark-row-cp") data = [] for rows_set in (light_rows, dark_rows): for row in rows_set: row_data = [] for cell in row.find_all("td"): val = cell.a.get_text() row_data.append(val) data.append(row_data) # sort rows to maintain original order data.sort(key=lambda x: int(x[0])) import pandas pandas.DataFrame(data).to_csv("AAA.csv", header=False)