이전 글에서 Fibonacci Retracement Level을 통해 주식 시세나 가상화폐 시세 분석을 하는 것에 대해 알아봤다. 그리고 그 이전에는 MFI와 OBV와 같은 보조 지표 분석을 통해 매수와 매도 시점을 알아내는 방법에 대해도 소개하였다. 이러한 보조 지표 등을 알아보면서 느낀 점은 한 가지 보조 지표만으로 매수와 매도 전략을 하는 것은 위험성이 클 수 있다는 것이었다. 그래서 이번에는 이전에 알아본 Fibonacci Retracement Level과 MACD 보조 지표를 결합한 분석방법을 주식과 가상화폐 시세에 적용하여 매수와 매도 시점을 알아내는 것에 대해 알아보겠다. Fibonacci Retracement Level을 통한 주식 분석에 대한 내용은 아래의 링크를 참조하기 바란다. 파이썬..

최근 파이썬을 3.9 버전을 새로 설치하고 PyQt5를 이용하여 예전에 만든 프로그램을 실행시키려고 하는데 아래와 같은 에러가 발생하였다. qt.qpa.plugin: Could not find the Qt platform plugin "windows" in "" 이에 대한 해결방법을 겨우 찾았는데 유사한 에러가 발생한다면 다음과 같은 방법으로 해보길 바란다. 간단히 말하면 프로그램 path가 정의되지 않아서 생긴 문제로 이 path를 정의해 주는 것이다. 먼저 “고급 시스템 설정”을 열어 밑쪽에 있는 “환경 변수”를 누른다. 아래의 환경변수 설정 화면에서 사용자 변수 새로 만들기를 누른다. 아래의 창에 변수 이름과 변수 값을 넣어 저장한다. 변수 이름은 “QT_PLUGIN_PATH” 이고, 변수 값은 “..

이번에는 파이썬을 이용하여 주식 데이터를 분석하는 방법에 대해 알아보겠다. 주식 데이터를 분석하는 방법에는 여러 가지 있으나, 이번에 알아볼 것은 OBV를 이용하는 방법이고 이를 파이썬을 통해 구현해 보겠다. 이전에도 얘기했지만 파이썬 공부를 위해 여러 가지 프로젝트를 해보고 있다. 파이썬 뿐만 아니라 주식에 대한 공부도 할 겸 이 주제를 정했으며 파이썬 코드는 유튜브 동영상 강의를 참고하였다. OBV에 대해 간단히 알아보겠다. 먼저 OBV는 On Balance Volume의 약자이며 주식의 거래량은 항상 주가에 선행한다는 것을 전제로 거래량을 통해 분석을 하는 기법이다. 거래량 분석을 통해 주식이 매집단계에 있는지 분산 단계에 있는지 알아낼 수 있으며 거래량이 중심이 된 투자 판단을 내릴 수 있다. O..

이번에 파이썬을 이용하여 Lotto 번호 6자리를 뽑아내는 프로그램을 만들어 보았다. 많은 사람들이 Lotto 번호를 만드는 프로그램을 만들었으며 대부분은 random() 함수를 이용하여 난수를 생성한다.그러나 여기서는 Machine Learning 중 XGBoost 알고리즘을 이용하고 그동안의 Lotto 번호 통계를 바탕으로 6개의 숫자를 뽑는 프로그램을 구현해 보았다. Lotto 는 45개의 숫자 중 순서에 상관없이 6개의 숫자가 모두 맞아야 하기 때문에 그 확률은 1/8,145,060 이 된다.또한, 이전 차수까지 많이 나온 숫자가 앞으로도 많이 나온다거나 아니면 앞으로는 적게 나온다거나 하지 않으므로 Lotto 1등 번호를 예측하기란 사실상 불가하다고 볼 수 있다. (어떻게 보면 다른 사람들이 많..

3부에서는 앞에서 알아본 XGBoost와 time series 데이터를 supervised learning problem으로 변형한 것을 종합하여 간단히 다음날의 주식 종가를 예측하는 프로그램을 만들어 보겠다. [1. 입력 모듈] 프로그램 실행을 위해 입력하는 모듈들은 아래와 같다. 위에서 마지막에 import 하는 것은 yahoo에서 주식 데이터를 불러오기 위해서 사용한다. [2. 예측을 위한 입력 데이터 수 결정] 훈련된 모델에 오늘 날짜의 종가부터 몇 개의 이전 날짜 종가 데이터를 입력한다. 여기에서는 위와 같이 30일 치의 데이터를 입력으로 하고 다음날 하루의 종가 정보를 예측한다. 얼마큼의얼마 큼의 데이터를 입력으로 하는지에 따라 예측 종가가 바뀐다. 얼마 큼의 데이터를 입력하여야 좀 더 정확한..

1부에서는 XGBoost의 기본적인 사용법에 대해서 알아봤다. 2부에서는 주식 데이터와 같은 시계열 (Time Series) 데이터를 통해 예측을 하는 방법에 대해 알아보겠다. Time series 데이터는 시간의 index 순으로 나열되어 있는 숫자들이라 할 수 있다. 이러한 time series 데이터는 supervised learning problem의 형태로 바꾸어 이전의 시간 데이터를 통해 다음번 시간의 데이터를 예측하게 된다. 아래의 그림은 이를 표현한 예 이다. 위의 supervised learning problem 형태를 살펴보면, X는 입력이고 Y를 출력이라 할 때에 이전 시간의 입력 X가 다음번 시간의 출력 Y 인 형태가 된다. 이렇게 supervised learning problem ..