analyser_hj3415 2.7.7__tar.gz → 2.8.0__tar.gz

{analyser_hj3415-2.7.7 → analyser_hj3415-2.8.0}/PKG-INFO

@@ -1,12 +1,18 @@
 Metadata-Version: 2.1
 Name: analyser_hj3415
-Version: 2.7.7
+Version: 2.8.0
 Summary: Stock analyser and database processing programs
 Author-email: Hyungjin Kim <hj3415@gmail.com>
 Description-Content-Type: text/markdown
 Classifier: License :: OSI Approved :: MIT License
 Requires-Dist: utils-hj3415>=2.9.2
 Requires-Dist: db-hj3415>=4.0.3
+Requires-Dist: scikit-learn>=1.5.2
+Requires-Dist: plotly>=5.24.1
+Requires-Dist: yfinance>=0.2.44
+Requires-Dist: prophet>=1.1.6
+Requires-Dist: kaleido>=0.2.1
+Requires-Dist: matplotlib>=3.9.2
 Project-URL: Home, https://www.hyungjin.kr
 
 ### analyser-hj3415

analyser_hj3415-2.8.0/analyser_hj3415/tsa.py

@@ -0,0 +1,204 @@
+"""
+Time Series Analysis
+"""
+import yfinance as yf
+from datetime import datetime, timedelta
+import pandas as pd
+from prophet import Prophet
+from sklearn.preprocessing import StandardScaler
+from utils_hj3415 import utils, helpers
+from typing import Optional
+import plotly.graph_objs as go
+from plotly.offline import plot
+import matplotlib.pyplot as plt  # Matplotlib 수동 임포트
+from db_hj3415 import myredis
+from collections import OrderedDict
+from analyser_hj3415 import eval
+
+import logging
+analyser_logger = helpers.setup_logger('analyser_logger', logging.WARNING)
+
+expire_time = 3600 * 12
+
+class MyProphet:
+    def __init__(self, code: str):
+        assert utils.is_6digit(code), f'Invalid value : {code}'
+        self.scaler = StandardScaler()
+
+        self.model = Prophet()
+        self._code = code
+        self.name = myredis.Corps(code, 'c101').get_name()
+        self.raw_data = self._get_raw_data()
+        self.df_real = self._preprocessing_for_prophet()
+        self.df_forecast = self._make_forecast()
+
+    @property
+    def code(self) -> str:
+        return self._code
+
+    @code.setter
+    def code(self, code: str):
+        assert utils.is_6digit(code), f'Invalid value : {code}'
+        analyser_logger.info(f'change code : {self.code} -> {code}')
+        self.model = Prophet()
+        self._code = code
+        self.name = myredis.Corps(code, 'c101').get_name()
+        self.raw_data = self._get_raw_data()
+        self.df_real = self._preprocessing_for_prophet()
+        self.df_forecast = self._make_forecast()
+
+    @staticmethod
+    def is_valid_date(date_string):
+        try:
+            # %Y-%m-%d 형식으로 문자열을 datetime 객체로 변환 시도
+            datetime.strptime(date_string, '%Y-%m-%d')
+            return True
+        except ValueError:
+            # 변환이 실패하면 ValueError가 발생, 형식이 맞지 않음
+            return False
+
+    def _get_raw_data(self) -> pd.DataFrame:
+        """
+        야후에서 해당 종목의 4년간 주가 raw data를 받아온다.
+        :return:
+        """
+        # 오늘 날짜 가져오기
+        today = datetime.today()
+
+        # 4년 전 날짜 계산 (4년 = 365일 * 4)
+        four_years_ago = today - timedelta(days=365 * 4)
+
+        return yf.download(
+            self.code + '.KS',
+            start=four_years_ago.strftime('%Y-%m-%d'),
+            end=today.strftime('%Y-%m-%d')
+        )
+
+    def _preprocessing_for_prophet(self) -> pd.DataFrame:
+        """
+        Prophet이 사용할 수 있도록 데이터 준비
+        ds는 날짜, y는 주가
+        :return:
+        """
+        df = self.raw_data[['Close', 'Volume']].reset_index()
+        df.columns = ['ds', 'y', 'volume']  # Prophet의 형식에 맞게 열 이름 변경
+
+        # 추가 변수를 정규화
+        df['volume_scaled'] = self.scaler.fit_transform(df[['volume']])
+        return df
+
+    def _make_forecast(self) -> pd.DataFrame:
+        # 정규화된 'volume_scaled' 변수를 외부 변수로 추가
+        self.model.add_regressor('volume_scaled')
+
+        self.model.fit(self.df_real)
+
+        # 향후 180일 동안의 주가 예측
+        future = self.model.make_future_dataframe(periods=180)
+
+        # 미래 데이터에 거래량 추가 (평균 거래량을 사용해 정규화)
+        future_volume = pd.DataFrame({'volume': [self.raw_data['Volume'].mean()] * len(future)})
+        future['volume_scaled'] = self.scaler.transform(future_volume[['volume']])
+
+        forecast = self.model.predict(future)
+        return forecast
+
+    def get_yhat(self) -> dict:
+        """
+        예측하는 첫째날의 예측 데이터를 반환한다.
+        :return: {'ds':..., 'yhat':.., 'yhat_lower':.., 'yhat_upper':..,}
+        """
+        df = self.df_forecast
+        analyser_logger.debug(df)
+        yhat_dict = df.iloc[0][['ds', 'yhat_lower', 'yhat_upper', 'yhat']].to_dict()
+        analyser_logger.info(yhat_dict)
+        return yhat_dict
+
+    def export_to(self, to="str") -> Optional[str]:
+        """
+        prophet과 plotly로 그래프를 그려서 html을 문자열로 반환
+        :param to: str, png, htmlfile, show
+        :return:
+        """
+        # Plotly를 사용한 시각화
+        fig = go.Figure()
+
+        # 실제 데이터
+        fig.add_trace(go.Scatter(x=self.df_real['ds'], y=self.df_real['y'], mode='markers', name='실제주가'))
+        # 예측 데이터
+        fig.add_trace(go.Scatter(x=self.df_forecast['ds'], y=self.df_forecast['yhat'], mode='lines', name='예측치'))
+
+        # 상한/하한 구간
+        fig.add_trace(
+            go.Scatter(x=self.df_forecast['ds'], y=self.df_forecast['yhat_upper'], fill=None, mode='lines', name='상한'))
+        fig.add_trace(
+            go.Scatter(x=self.df_forecast['ds'], y=self.df_forecast['yhat_lower'], fill='tonexty', mode='lines', name='하한'))
+
+        fig.update_layout(
+            title=f'{self.code} {self.name} 주가 예측 그래프(prophet)',
+            xaxis_title='일자',
+            yaxis_title='주가(원)',
+            xaxis = dict(
+                tickformat='%Y/%m',  # X축을 '연/월' 형식으로 표시
+            ),
+            yaxis = dict(
+                tickformat=".0f",  # 소수점 없이 원래 숫자 표시
+            )
+        )
+
+        if to == 'str':
+            # 그래프 HTML로 변환 (string 형식으로 저장)
+            graph_html = plot(fig, output_type='div')
+            return graph_html
+        elif to == 'png':
+            # 그래프를 PNG 파일로 저장
+            fig.write_image("plotly_graph.png")
+        elif to == 'htmlfile':
+            # 그래프를 HTML로 저장
+            plot(fig, filename='graph_plotly.html', auto_open=False)
+            return None
+        elif to == 'show':
+            # 예측 결과 출력
+            print(self.df_forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())
+            # 예측 결과 시각화 (Matplotlib 사용)
+            fig = self.model.plot(self.df_forecast)
+            # 추세 및 계절성 시각화
+            fig2 = self.model.plot_components(self.df_forecast)
+            plt.show()  # 시각화 창 띄우기
+        else:
+            Exception("to 인자가 맞지 않습니다.")
+
+    @classmethod
+    def ranking(cls, refresh = False) -> OrderedDict:
+        """
+        가장 최근 날짜의 랭킹 분석
+        :param refresh:
+        :return:
+        """
+        print("**** Start myprophet_ranking... ****")
+        redis_name = 'myprophet_ranking'
+
+        print(
+            f"redisname: '{redis_name}' / refresh : {refresh} / expire_time : {expire_time / 3600}h")
+
+        def fetch_ranking() -> dict:
+            data = {}
+            p = MyProphet('005930')
+            for i, code in enumerate(myredis.Corps.list_all_codes()):
+                p.code = code
+                recent_price = p._preprocessing_for_prophet().iloc[-1]['y']
+                yhat_dict = p.get_yhat()
+                analyser_logger.info(f'recent_price: {recent_price}, yhat_dict: {yhat_dict}')
+                yhat_lower = int(yhat_dict['yhat_lower'])
+                if recent_price < yhat_lower:
+                    deviation = int(eval.Tools.cal_deviation(recent_price, yhat_lower))
+                    data[code] = deviation
+                    print(f"{i}.{p.code}/{p.name} 최근가격:{recent_price} 기대하한값:{yhat_lower} 편차:{deviation}")
+            return data
+
+        data_dict = myredis.Base.fetch_and_cache_data(redis_name, refresh, fetch_ranking, timer=expire_time)
+
+        return OrderedDict(sorted(data_dict.items(), key=lambda item: item[1], reverse=True))
+
+
+

{analyser_hj3415-2.7.7 → analyser_hj3415-2.8.0}/analyser_hj3415/workroom/lstm.py

@@ -9,11 +9,11 @@ import matplotlib.pyplot as plt
 # 1. 데이터 다운로드 (애플 주식 데이터를 사용)
 #stock_data = yf.download('AAPL', start='2020-01-01', end='2023-01-01')
 # 삼성전자 주식 데이터 가져오기 (KOSPI 상장)
-#stock_data = yf.download('005930.KS', start='2019-01-01', end='2024-10-10')
+#stock_data = yf.download('005930.KS', start='2019-01-01', end='2024-10-11')
 # 크래프톤 주식 데이터 가져오기 (KOSPI 상장)
-#stock_data = yf.download('259960.KS', start='2020-01-01', end='2024-10-08')
+stock_data = yf.download('259960.KS', start='2020-01-01', end='2024-10-11')
 # 하이닉스 주식 데이터 가져오기 (KOSPI 상장)
-stock_data = yf.download('000660.KS', start='2019-01-01', end='2024-10-10')
+#stock_data = yf.download('000660.KS', start='2019-01-01', end='2024-10-11')
 
 
 # 2. 필요한 열만 선택 (종가만 사용)

{analyser_hj3415-2.7.7 → analyser_hj3415-2.8.0}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "flit_core.buildapi"
 
 [project]
 name = "analyser_hj3415"
-version = "2.7.7"
+version = "2.8.0"
 authors = [{name = "Hyungjin Kim", email = "hj3415@gmail.com"}]
 description = "Stock analyser and database processing programs"
 readme = "README.md"
@@ -13,6 +13,12 @@ classifiers = ["License :: OSI Approved :: MIT License"]
 dependencies = [
     "utils-hj3415>=2.9.2",
     "db-hj3415>=4.0.3",
+    "scikit-learn>=1.5.2",
+    "plotly>=5.24.1",
+    "yfinance>=0.2.44",
+    "prophet>=1.1.6",
+    "kaleido>=0.2.1",   #plotly로 이미지출력위해
+    "matplotlib>=3.9.2",
 ]
 
 [project.scripts]

analyser_hj3415-2.7.7/analyser_hj3415/workroom/myprophet.py

@@ -1,58 +0,0 @@
-# prophet 사용 공부
-
-import yfinance as yf
-import pandas as pd
-from prophet import Prophet
-import matplotlib.pyplot as plt  # Matplotlib 수동 임포트
-
-
-# 애플 주식 데이터를 다운로드
-#stock_data = yf.download('AAPL', start='2020-01-01', end='2024-10-09')
-# 삼성전자 주식 데이터 가져오기 (KOSPI 상장)
-#stock_data = yf.download('005930.KS', start='2020-01-01', end='2024-08-01')
-# 크래프톤 주식 데이터 가져오기 (KOSPI 상장)
-#stock_data = yf.download('259960.KS', start='2020-01-01', end='2024-10-08')
-# 하이닉스 주식 데이터 가져오기 (KOSPI 상장)
-stock_data = yf.download('000660.KS', start='2020-01-01', end='2024-10-08')
-
-
-# Prophet이 사용할 수 있도록 데이터 준비
-df = stock_data[['Close', 'Volume']].reset_index()
-df.columns = ['ds', 'y', 'volume']  # Prophet의 형식에 맞게 열 이름 변경
-
-from sklearn.preprocessing import StandardScaler
-
-# 추가 변수를 정규화
-scaler = StandardScaler()
-df['volume_scaled'] = scaler.fit_transform(df[['volume']])
-
-# Prophet 모델 생성 및 학습
-model = Prophet()
-
-# 정규화된 'volume_scaled' 변수를 외부 변수로 추가
-model.add_regressor('volume_scaled')
-
-model.fit(df)
-
-# 향후 180일 동안의 주가 예측
-future = model.make_future_dataframe(periods=180)
-
-# 미래 데이터에 거래량 추가 (평균 거래량을 사용해 정규화)
-future_volume = pd.DataFrame({'volume': [stock_data['Volume'].mean()] * len(future)})
-future['volume_scaled'] = scaler.transform(future_volume[['volume']])
-
-
-forecast = model.predict(future)
-
-
-
-# 예측 결과 출력
-print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())
-
-# 예측 결과 시각화 (Matplotlib 사용)
-fig = model.plot(forecast)
-
-# 추세 및 계절성 시각화
-fig2 = model.plot_components(forecast)
-
-plt.show()  # 시각화 창 띄우기