Importar Datos Financieros (Bolsa de Valores) Desde La Web

En este ejercicio usaremos el ‘pandas_datareader’ para importar datos financieros del stock de la companía Apple (AAPL) directamente a un ‘Data Frame’ y también trazaremos un gráfico linear para poder observar la tendencia en el precio del stock.

El uso de ‘pandas_datareader’ es muy conveniente cuando queremos crear un ‘Data Frame’ que contiene la información financiera de algun ‘stock’.

El proceso es relativamente fácil y no requiere de mucho código en Python. La información finaciera esta disponible de varias fuentes tales como: GoogleFinance, Yahoo!, la Reserva Federal de los EEUU (Federal Reserve), el Bank Mundial, etc.

# Importar los módulos requeridos
import pandas as pd
import numpy as np
import pandas_datareader as pdr 
from datetime import datetime
#import datetime
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style('whitegrid')
%matplotlib inline

# Definir el período de tiempo que queremos analizar el stock (un año, en este caso)

fecha_final = datetime.now()
print (fecha_final)

fecha_inicial = datetime(fecha_final.year -1, fecha_final.month, fecha_final.day)
print (fecha_inicial)

2018-10-23 21:29:25.592488
2017-10-23 00:00:00

"""
Usar pandas_datareader para importar datos y crear un nuevo Data Frame llamado 'datos_stock'
pandas_datareader requiere cuatro parámetros:
   1 - el 'tick' o código del stock, en este caso 'AAPL' por Apple
   2 - la fuente de donde vienen los datos, en este caso 'yahoo'
   3 - la fecha de inicio que declaramos arriba
   4 - la fecha de finalización, declarada ariiba también

"""

datos_stock = pdr.DataReader('AAPL', 'yahoo', start, end)

# Imprimir la información básica de nuestro Data Frame usando el método .info()

datos_stock.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 253 entries, 2017-10-23 to 2018-10-23
Data columns (total 6 columns):
Open         253 non-null float64
High         253 non-null float64
Low          253 non-null float64
Close        253 non-null float64
Adj Close    253 non-null float64
Volume       253 non-null int64
dtypes: float64(5), int64(1)
memory usage: 13.8 KB

# Imprimir las primeras 5 filas del Data Frame (la "cabeza") usando el método .head()

datos_stock.head()

	Open	High	Low	Close	Adj Close	Volume
Date
2017-10-23	156.889999	157.690002	155.500000	156.169998	153.843857	21984300
2017-10-24	156.289993	157.419998	156.199997	157.100006	154.760010	17757200
2017-10-25	156.910004	157.550003	155.270004	156.410004	154.080307	21207100
2017-10-26	157.229996	157.830002	156.779999	157.410004	155.065399	17000500
2017-10-27	159.289993	163.600006	158.699997	163.050003	160.621384	44454200

# Imprimir las últimas 5 filas del Data Frame (la 'cola') usando el método .tail() 
datos_stock.tail()

	Open	High	Low	Close	Adj Close	Volume
Date
2018-10-17	222.300003	222.639999	219.339996	221.190002	221.190002	22885400
2018-10-18	217.860001	219.740005	213.000000	216.020004	216.020004	32581300
2018-10-19	218.059998	221.259995	217.429993	219.309998	219.309998	33078700
2018-10-22	219.789993	223.360001	218.940002	220.649994	220.649994	28792100
2018-10-23	215.830002	223.250000	214.699997	222.729996	222.729996	38616200

# Trazar un gráfico del precio del stock en este año. El precio del stock se encuentra la columna 'Adj Close'
# usando el .plot() método del módulo matplotlib

datos_stock['Adj Close'].plot(legend=True, figsize=(10,4))