파이썬 금융 라이브러리 활용과 코드 예제 (pandas, NumPy)

1. 파이썬을 활용한 금융 데이터 분석 개요

파이썬은 금융 데이터 분석 및 퀀트 투자 전략 개발에 널리 사용되는 프로그래밍 언어입니다. 특히, pandas, NumPy, scikit-learn과 같은 라이브러리는 금융 데이터를 효과적으로 처리하고 분석하는 데 필수적입니다. 금융 데이터 분석에 유용한 주요 파이썬 라이브러리를 소개하고, 실제 코드 예제를 통해 활용법을 설명합니다.

2. 금융 데이터 분석에 사용되는 주요 파이썬 라이브러리

(1) pandas - 금융 데이터 처리

pandas는 금융 데이터 분석에서 가장 많이 사용되는 라이브러리로, 데이터프레임(DataFrame)을 이용해 시계열 데이터를 쉽게 다룰 수 있습니다.

(2) NumPy - 수학 및 배열 연산

NumPy는 금융 데이터에서 수치 계산 및 배열 연산을 빠르게 수행할 수 있도록 도와줍니다. 벡터화 연산을 통해 속도를 향상할 수 있습니다.

(3) scikit-learn - 머신러닝과 데이터 분석

scikit-learn은 머신러닝 알고리즘을 제공하여 주가 예측, 리스크 분석, 군집 분석 등에 활용됩니다.

(4) yfinance - 주가 데이터 다운로드

yfinance는 Yahoo Finance에서 실시간 및 과거 주가 데이터를 다운로드하는 데 사용됩니다.

3. pandas를 활용한 금융 데이터 분석

(1) pandas로 주가 데이터 다운로드 및 처리

import pandas as pd
import yfinance as yf

# 삼성전자(005930.KQ) 주가 데이터 다운로드
ticker = "005930.KQ"
data = yf.download(ticker, start="2020-01-01", end="2024-01-01")

# 데이터 확인
print(data.head())

# 날짜 인덱스 설정
data.index = pd.to_datetime(data.index)

# 특정 열 선택 (종가만 선택)
close_prices = data["Close"]
print(close_prices.head())

(2) pandas로 이동평균선 계산

이동평균(Moving Average)을 계산하여 트렌드를 분석할 수 있습니다.

# 50일 및 200일 이동평균 계산
data["SMA50"] = data["Close"].rolling(window=50).mean()
data["SMA200"] = data["Close"].rolling(window=200).mean()

# 데이터 확인
print(data[["Close", "SMA50", "SMA200"]].head())

4. NumPy를 활용한 금융 데이터 분석

(1) NumPy를 이용한 수익률 계산

import numpy as np

# 로그 수익률 계산
data["Log Returns"] = np.log(data["Close"] / data["Close"].shift(1))

# 데이터 확인
print(data[["Close", "Log Returns"]].head())

(2) NumPy를 이용한 변동성 계산

# 30일 변동성 계산
data["Volatility"] = data["Log Returns"].rolling(window=30).std() * np.sqrt(252)

# 데이터 확인
print(data[["Close", "Volatility"]].head())

5. scikit-learn을 활용한 주가 예측

(1) 데이터 준비

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# 특징(feature) 생성 (과거 5일간의 가격)
data["Previous Close"] = data["Close"].shift(1)
data["5-Day Avg"] = data["Close"].rolling(window=5).mean()

# 결측값 제거
data.dropna(inplace=True)

# 입력(X)과 출력(y) 정의
X = data[["Previous Close", "5-Day Avg"]]
y = data["Close"]

# 훈련 데이터와 테스트 데이터 분리
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

(2) 선형 회귀를 이용한 주가 예측

# 선형 회귀 모델 학습
model = LinearRegression()
model.fit(X_train, y_train)

# 예측 수행
predictions = model.predict(X_test)

# 결과 출력
print("실제 값:", y_test.values[:5])
print("예측 값:", predictions[:5])

6. 종합 예제: 이동평균선을 활용한 매매 전략

(1) 매매 신호 생성

# 매수 신호 (SMA50이 SMA200을 상향 돌파)
data["Buy Signal"] = (data["SMA50"] > data["SMA200"]) & (data["SMA50"].shift(1) <= data["SMA200"].shift(1))

# 매도 신호 (SMA50이 SMA200을 하향 돌파)
data["Sell Signal"] = (data["SMA50"] < data["SMA200"]) & (data["SMA50"].shift(1) >= data["SMA200"].shift(1))

# 신호 출력
print(data[["Close", "SMA50", "SMA200", "Buy Signal", "Sell Signal"]].tail())

(2) 백테스팅

# 전략 수익률 계산
data["Strategy Returns"] = np.where(data["Buy Signal"], data["Close"].pct_change(), 0)

# 누적 수익률 계산
data["Cumulative Returns"] = (1 + data["Strategy Returns"]).cumprod()

# 결과 출력
print(data[["Close", "Cumulative Returns"]].tail())

7. 결론: 파이썬 금융 라이브러리 활용 요약

파이썬의 금융 라이브러리는 강력한 데이터 분석 기능을 제공하여 퀀트 투자 전략을 개발하는 데 필수적입니다.

라이브러리	주요 기능	활용 예제
pandas	금융 데이터 처리 및 분석	주가 데이터 로드, 이동평균 계산
NumPy	수학 연산 및 통계 분석	수익률 계산, 변동성 측정
scikit-learn	머신러닝 모델 학습	주가 예측, 리스크 모델링
yfinance	실시간 및 과거 주가 데이터 다운로드	주식, ETF, 암호화폐 데이터 수집

이러한 도구를 활용하여 데이터 분석을 수행하고, 퀀트 투자 전략을 개발할 수 있습니다. 더 나아가, 머신러닝과 AI를 적용하여 보다 정교한 모델을 만들 수도 있습니다.

퀀트투자의 세계