Der heutige, eher etwas kürzere Beitrag beschäftigt sich mit der Beschaffung und Darstellung des Fear and Greed Index mit Hilfe der Python-Bibliothek mplfinance (Visualisierung von Börsendaten). Die Daten werden über eine nicht offizielle (diese wird von der CNN-Webseite verwendet) API bezogen und in die benötigten Software-Objekte verwandelt. Zum Schluss wird der Verlauf mit einem MSCI-Weltindex verglichen. Dabei kommt eine verblüffende Beobachtung ans Tageslicht…

Der heutige Beitrag behandelt die Beschaffung, Transformation und Darstellung von Kursdaten mit Hilfe der Python-Bibliotheken yfinance (ermöglicht den Bezug von Daten von Yahoo Finance) und mplfinance (Visualisierung von Börsendaten). Das nachfolgende Tutorial eignet sich für alle die, welche schnell und effizient ein Kursdiagramm eines Wertpapiers zeichnen und mit verschiedenen zusätzlichen Information (zum Beispiel Volumen, Trendlinien oder Verkauf-/Kaufsignale) versehen wollen.

Zu Beginn des Jahres 2020 hat SimFin einige Änderungen bezüglich der Bereitstellung Ihrer Bulk Daten vorgenommen. Dieser Beitrag fasst in einem ersten Teil die Neuheiten kurz zusammen und gibt im Anschluss einige weiterführende Informationen. Dieser Wechsel hat zur Folge, dass einige Artikel auf diesem Blog nicht mehr valide sind, diese werden solange mit einem Hinweis versehen. Die davon betroffenen Abschnitte werden in den nächsten Tagen an die neuen Gegebenheiten angepasst.

Die Magic Formula von Joel Greenblatt ist eine der bekanntesten Anlagetechniken des 21. Jahrhunderts. In diesem Beitrag wird die Formel vorgestellt und in einem praktischen Teil angewendet. Zum Schluss werden die besten 20 Aktien, welche durch die Formel ermittelt wurden, in visualisierter Form vorgestellt. Nachmachen ausdrücklich empfohlen!

Dieser Blog-Beitrag beschäftigt sich mit der Transformation von Daten. Es kann vorkommen, dass die Struktur von Datenexporten nicht für die Weiterverarbeitung passt. Die von SimFin bereitgestellten Bulk-Daten sind in mehrere einzelne Exporte aufgeteilt. In unserem Experiment werden diese eingelesen und, nach dem Motto “Was nicht passt wird passend gemacht”, in einen einzelnen Export (als CSV) geschrieben. Dazu wird eine Entwicklungsumgebung vorausgesetzt, welche in einem älteren Beitrag beschrieben wurde.

Um Experimente mit Daten durchzuführen braucht es eine Entwicklungsumgebung. Darin wird Python verwendet, um kleine Programme zu schreiben. Diese Programmiersprache eignet sich ideal für Datenanalysen und ist relativ einfach zu lernen/lesen. Der Blog verwendet ausschliesslich Python in der Version 3. Das Ziel dieses Beitrages ist die Bereitstellung und erste Verwendung einer solchen Infrastruktur. Dazu braucht es nicht wirklich viel, die folgenden Unterkapitel beschreiben die einzelnen Schritte.