대선 테마주와 관련 후보 뉴스 빈도수에 따른 주식 가격의 변화 예측

상관관계

import pandas as pd
import matplotlib.pyplot as plt
from pandas_datareader import data as pdr
import numpy as np

# plt 스타일 지정
plt.style.use('seaborn-colorblind')

#주식 데이터 불러오기
#index_col은 index로 사용할 column을 선택할 때 사용
#parse_dates=True는 날짜문자열을 자동으로
#DatetimeIndex로 변환시켜주는 옵션

#불러오기 방식 2 
filename1 = '/content/drive/My Drive/project_news/no1.csv'

data1 = pd.read_csv(filename1,encoding='cp949')
data1['datetime'] = data1['date'].apply(lambda x:pd.to_datetime(str(x),format='%Y-%m-%d'))


# 결측치, 및 잘못된 날짜 형태 발견
data1[data1['date'].str.contains("공수처")]

# 행 삭제
data1 = data1.drop([8423])

# 다시 날짜형태로 전환, 와ㅅ;; 성공
data1['datetime'] = data1['date'].apply(lambda x:pd.to_datetime(str(x),format='%Y-%m-%d'))

# 임의의 값 1 넣어서 계산용이
data1['all_news_num'] = 1

#index를 datetime index로 설정하기
data1.set_index(data1['datetime'], inplace=True)

#쓸모없는 열 제거(행0 열1)
data1 = data1.drop('datetime',1)

#확인
data1.head()

#resampling
daily_data1 = data1.resample('1D')

#일별로 기준 재정렬하기
series1 = pd.Series(data1['all_news_num'], index=data1.index)
series1

# resampling 하기 위한 최종
daily_stock1_news_sum = series1.resample('1D').sum()
daily_stock1_news_sum

# 주식 3중망 그래프 보이기

stock = '/content/drive/My Drive/project_news/stock/comp_065500.csv'

stock_df = pd.read_csv(stock, index_col='date', parse_dates=True)
# 종가 + 거래량 겹쳐서 표현하기


plt.figure(figsize=(15,12), facecolor='beige')
top_axes = plt.subplot2grid((6,4),(0,0),rowspan=3,colspan=4)
top_axes.title.set_text('Stock Price')
top_axes.get_xaxis().set_visible(False)
middle_axes = plt.subplot2grid((6,4),(3,0),rowspan=2,colspan=4)
middle_axes.title.set_text('News')
middle_axes.get_xaxis().set_visible(False)
bottom_axes = plt.subplot2grid((6,4),(5,0),rowspan=1,colspan=4)
bottom_axes.title.set_text('Trading Volume')

#거래량 값으로서 큰 값이 발생할 때 그 값을 오일러 상수(e)의 지수 형태로 표현되지 않게함
bottom_axes.get_yaxis().get_major_formatter().set_scientific(False)

top_axes.plot(stock_df['close'], label = 'Close')
middle_axes.plot(daily_stock1_news_sum, label = "News", color = 'chocolate')
bottom_axes.plot(stock_df['trading_volume'], label = 'Volume',color = 'blueviolet')



#뉴스 빈도수와 주식 변동성 상관분석 시행
import seaborn as sns
#var_corr1 = stock_df['trading_volume']
stock_df['trading_volume']

daily_stock1_news_sum

#merge 상관 관계 분석하기 위해, 거래량+일별뉴스
df_left = stock_df['trading_volume']
df_right = daily_stock1_news_sum

# resample을 통한 월별 기준으로 세팅 다시하기
df_result1_month = df_result1.resample('M').sum()
df_result1_month

plt.figure(figsize=(12,10), facecolor='beige')
top_axes = plt.subplot2grid((4,4),(0,0),rowspan=3,colspan=4)
top_axes.title.set_text('Stock Price')
top_axes.get_xaxis().set_visible(False)

bottom_axes = plt.subplot2grid((4,4),(3,0),rowspan=1,colspan=4)
bottom_axes.title.set_text('Trading Volume')

#거래량 값으로서 큰 값이 발생할 때 그 값을 오일러 상수(e)의 지수 형태로 표현되지 않게함
bottom_axes.get_yaxis().get_major_formatter().set_scientific(False)

top_axes.plot(df_result1_month['trading_volume'])
bottom_axes.plot(df_result1_month['all_news_num'],color = 'blueviolet')
plt.show()


df_result1 = pd.merge(df_left,df_right,left_index=True,right_index=True,how='left')
#결측치 제거하기(행:0)
df_result1 = df_result1.dropna(axis=0); df_result1

stock = '/content/drive/My Drive/project_news/stock/comp_065500.csv'
stock_df = pd.read_csv(stock, index_col='date', parse_dates=True)


plt.figure(figsize=(12,10), facecolor='beige')
top_axes = plt.subplot2grid((4,4),(0,0),rowspan=3,colspan=4)
top_axes.title.set_text('Stock Price')
top_axes.get_xaxis().set_visible(False)

bottom_axes = plt.subplot2grid((4,4),(3,0),rowspan=1,colspan=4)
bottom_axes.title.set_text('Trading Volume')

#거래량 값으로서 큰 값이 발생할 때 그 값을 오일러 상수(e)의 지수 형태로 표현되지 않게함
bottom_axes.get_yaxis().get_major_formatter().set_scientific(False)

top_axes.plot(df_result1_month['trading_volume'])
bottom_axes.plot(df_result1_month['all_news_num'],color = 'blueviolet')
plt.show()

#뉴스 빈도수와 주식 변동성 상관분석 시행
var_corr1 = df_result1_month[['trading_volume','all_news_num']].corr()
sns.heatmap(var_corr1,annot=True)

#피어슨 상관계수 구하기, 스피어만 상관계수 구하기
from scipy import stats
print(stats.pearsonr(df_result1_month['trading_volume'],df_result1_month['all_news_num']))
print(stats.spearmanr(df_result1_month['trading_volume'],df_result1_month['all_news_num']))

 

 

정치 테마주와 대선 후보 관련 뉴스간 상관관계를 시각화한 그래프입니다.

 

시각화를 다양하게 진행했는데, 이번 코드는 그래프를 분석하는데 사용했던 코드의 일부입니다.

 

밑에는 각 일자별 관련 대선 후보 이재명을 언급한 뉴스의 빈도수이며, 위에는 특정 대선 후보 관련 주식의 그래프입니다. 각 대선주자별, 정치 테마주로 분류된 회사의 뉴스 빈도수와 가격의 추이 곡선을 분석하였습니다.

 

정치 테마주 / 빅데이터 분석/ 파이선 시각화