Det finns gott om källor som tillhandahåller historisk lagerinformation men de tillhandahåller endast OHLC-fälten tillsammans med volym och justeras nära. Också ett par källor som jag hittade tillhandahåller datamängder men de är begränsade till amerikanska aktier. Yahoo Finance tillhandahåller dessa uppgifter online men det finns inget alternativ att ladda ner den (eller ingen jag känner till).
- Var kan jag ladda ner dessa data för aktier som tillhör olika toppbörser över länder genom att använda deras tickernamn?
- Finns det något sätt att ladda ner det via Yahoo Finance eller Google Finance?
Jag behöver data för det senaste decenniet eller så och behöver därför något skript eller API som skulle göra detta.
Svar
Quant SE är bättre plats för frågor relaterade till att få ekonomisk data:
Svar
När det gäller insamling av data kan du kolla in Quandl (det finns en handledning om hur du använder den med R på DataCamp om du är intresserad).
Dessutom har Aswath Damodaran” s s ite innehåller många användbara datamängder. Även om de inte uppdateras så ofta kan de ändå vara användbara, särskilt som ett riktmärke för att jämföra din egen produktion (från skripten måste du oundvikligen skriva för att beräkna nödvändiga mätvärden).
Och, igen, Quant SE är förmodligen ett bättre ställe att leta …
Svar
Denna webbplats listar historiska marknadsvärden och företagsvärden för S & P 100 och NASDAQ-100 företag under de senaste 10 år. Du kan exportera datauppsättningarna till Excel.
http://marketcapitalizations.com/historical-data/historical-data-categories/valuations/
Du kan också försöka kontakta dem för data under en längre tid.
Kommentarer
- Är du ansluten till denna webbplats BTW?
Svar
Jag skulle göra det på det här sättet.
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)