6. Pandas와 Plotly를 이용한 MACD 차트 그리기

Pandas와 Plotly를 이용한 MACD 차트 그리기

---

이전에 포스팅한 5. Pandas를 이용한 Naver금융에서 주식데이터 가져오기는 Naver금융에서 주식데이터를 수집하는 방법에 대해 알아보았다.
이번 포스팅에서는 수집한 주식 데이터를 가지고 주식 분석에서 필수 보조 지표라고 할 수 있는 MACD를 Python의 pandas 모듈을 이용하여 구현해 보도록 한다.

1. MACD 란?

MACD는 Moving Average Convergence Divergence의 약어로써, 이동평균선(MA)이 수렴과 발산을 반복한다 는 원리를 이용해 단기이동평균선(12)과 장기이동평균선(26) 사이의 관계를 보여주는 Gerald Appel이 개발한 지표다. MACD에서 단기이동평균으로는 12일, 장기이동평균으로는 26일을 사용하고, MACD의 9일 이동평균선을 Signal이라고 하고, MACD와 Signal의 차이를 Oscillator라고한다.

• MACD: 단기이동평균(12)와 장기이동평균선(26)의 차이값
  • 보통 주식HTS에서는 이값을 파라미터 값으로써 조정할 수 있게 되어있다. 우리나라 주식시장에 맞는 5일과 20일로 대체해서 사용하기도 한다.
• Signal: MACD의 9일 이동평균값
  • 일반적으로 9일을 설정하여 MACD의 값들을 완충 및 일반화 하는 역할을 한다.
• Oscillator: MACD값과 Signal값의 차이
  • MACD의 값이 Signal값보다 클때는 양의 막대, 작을 때는 음의 막대가 그려진다.

1) MACD 공식

• MACD: $MACD = { EMA }_{ 12 } - { EMA }_{ 26 }$ (${ EMA }_{ n }$: $n$일간의 지수이동평균선)
• Signal: $Signal=\frac { \sum _{ t=1 }^{ n }{ { MACD }_{ t } } }{ n }$ (일반적으로 $n=9$로 설정)
• Oscillator: $Oscillator=MACD-Signal$

2) MACD를 이용한 주식분석 - 참고 : 앤트하우스

• MACD선이 0값을 상향돌파 할 경우: 아래의 그림처럼 MACD선이 0을 상향돌파 할 경우는 단기이동평균선이 장기이동평균선 위에 있는 정배열을 의미한다. $\rightarrow$ 매수 포지션 (상승추세 전환)
  
• 
• MACD선이 0값을 하향돌파 할 경우: 아래의 그림처럼 MACD선이 0을 하향돌파 할 경우는 단기이동평균선이 장기이동평균선 아래에 있는 역배열을 의미한다. $\rightarrow$ 매도 포지션 (하락추세 전환)
  
• 
• MACD선이 Signal선을 상향돌파 할 경우: Oscillator가 (+)로 전환된다. $\rightarrow$ 매수 포지션
  
• 
• MACD선이 Signal선을 하향돌파 할 경우: Oscillator가 (-)로 전환된다. $\rightarrow$ 매도 포지션
  
• 

2. pandas를 이용해 MACD 구현하기

위의 내용에서 MACD가 무엇이며 어떻게 활용하는지에 대해 알아보았다. 이제 부터는 python의 pandas모듈을 이용하여 MACD를 직접 구현해 보도록 한다.

1) pandas.read_html()을 이용해 krx에서 종목코드 가져오기

네이버금융에서 원하는 종목의 주식데이터를 가져오기 위해 먼저 코스피(KOSPI)과 코스닥(KOSDAQ)의 종목코드가 필요하다. 한국거래소(krx)에서는 주식시장에 상장된 기업들에 대해 종목코드를 제공한다. pandas모듈의 pandas.read_html()을 이용해 종목코드를 가져올 수 있다. pandas.read_html()은 HTML에서 <table></table>태그를 찾아 자동으로 DataFrame형식으로 만들어준다. 아래의 소스코드를 통해 주식의 종목코드를 가져올 수 있다.

12345678910111213import pandas as pd

code_df = pd.read_html('http://kind.krx.co.kr/corpgeneral/corpList.do?method=download&searchType=13', header=0)[0]

# 종목코드가 6자리이기 때문에 6자리를 맞춰주기 위해 설정해줌
code_df.종목코드 = code_df.종목코드.map('{:06d}'.format)

# 우리가 필요한 것은 회사명과 종목코드이기 때문에 필요없는 column들은 제외해준다.
code_df = code_df[['회사명', '종목코드']]

# 한글로된 컬럼명을 영어로 바꿔준다.
code_df = code_df.rename(columns={'회사명': 'name', '종목코드': 'code'})
code_df.head()

head()함수를 통해 상위 5개의 코드를 확인할 수 있다.

N0.	name	code
0	BYC	001460
1	CJ	CGV
2	CJ씨푸드	011150
3	DSR제강	069730
4	KB금융	105560

2) Naver금융에서 일자별 주식데이터 가져오기

이제 네이버금융에서 원하는 종목의 일자 데이터를 가져와 보도록 하자. 여기서는 신라젠(215600) 의 일자 데이터를 가져온다. 아래의 소스코드는 특정 종목뿐만 아니라 사용자가 원하는 종목의 일자데이터를 가져올 수 있도록 get_url이라는 함수를 만들어 줬다. Naver금융에서 주식데이터를 가져오는 방법에 대해 자세히 알고 싶다면 5. Pandas를 이용한 Naver금융에서 주식데이터 가져오기를 참고하면 된다.

12345678910111213141516171819202122232425262728
# 종목 이름을 입력하면 종목에 해당하는 코드를 불러와
# 네이버 금융(http://finance.naver.com)에 넣어줌
def get_url(item_name, code_df):
    code = code_df.query("name=='{}'".format(item_name))['code'].to_string(index=False)
    url = 'http://finance.naver.com/item/sise_day.nhn?code={code}'.format(code=code)
    
    print("요청 URL = {}".format(url))
    return url
    

# 신라젠의 일자데이터 url 가져오기
item_name='신라젠'
url = get_url(item_name, code_df)

# 일자 데이터를 담을 df라는 DataFrame 정의
df = pd.DataFrame()

# 1페이지에서 20페이지의 데이터만 가져오기
for page in range(1, 21):
    pg_url = '{url}&page={page}'.format(url=url, page=page)
    df = df.append(pd.read_html(pg_url, header=0)[0], ignore_index=True)

# df.dropna()를 이용해 결측값 있는 행 제거
df = df.dropna()

# 상위 5개 데이터 확인하기
df.head()

아래의 소스코드는 추후에 데이터 분석에서 편하게 하기위해 추가적으로 처리해 준 코드이다.

12345678910111213141516# 한글로 된 컬럼명을 영어로 바꿔줌
df = df.rename(columns= {'날짜': 'date', '종가': 'close', '전일비': 'diff', 
                         '시가': 'open', '고가': 'high', '저가': 'low', '거래량': 'volume'})

# 데이터의 타입을 int형으로 바꿔줌
df[['close', 'diff', 'open', 'high', 'low', 'volume']] \
    = df[['close', 'diff', 'open', 'high', 'low', 'volume']].astype(int)

# 컬럼명 'date'의 타입을 date로 바꿔줌
df['date'] = pd.to_datetime(df['date'])

# 일자(date)를 기준으로 오름차순 정렬
df = df.sort_values(by=['date'], ascending=True)

# 상위 5개 데이터 확인
df.head()

3) MACD 지표 구현하기

MACD를 구현하기 위해 필요한 데이터들을 수집하였으면, 이제 MACD를 구현해보도록 한다. 아래의 소스코드는 MACD를 get_macd()라는 함수로 구현하였다.
입력값으로 DataFrame, 단기(short=12), 장기(long=26), Signal을 구할때 사용할 일자(t=9)를 입력값으로 받으며, MACD 지표들이 추가된 DataFrame을 리턴(return)해준다.

123456789101112131415def get_macd(df, short=12, long=26, t=9):
    
    # 입력받은 값이 dataframe이라는 것을 정의해줌
    df = pd.DataFrame(df)
    
    # MACD 관련 수식
    ma_12 = df.close.ewm(span=12).mean() # 단기(12) EMA(지수이동평균)
    ma_26 = df.close.ewm(span=26).mean() # 장기(26) EMA
    macd = ma_12 - ma_26 # MACD
    macds = macd.ewm(span=9).mean() # Signal
    macdo = macd - macds # Oscillator

    df = df.assign(macd=macd, macds=macds, macdo=macdo).dropna()
    
    return df

위의 코드에서 구현한 get_macd()를 이용해 아래의 코드를 입력하면 DataFrame에 macd의 지표 macd, macds, macdo 가 포함되어 있는것을 확인할 수 있다.

123df = get_macd(df)
# 상위 5개 데이터 확인
df.head()

3. plotly를 이용해 MACD 차트 그리기

마지막으로 plotly를 이용하여 MACD 차트를 그려보도록 한다. plotly에 대한 설명은 이전 포스팅인 4. Plotly를 이용한 캔들차트-Candlestick chart 그리기를 참고하면 된다.
아래의 소스코드를 통해 MACD 차트를 그릴 수 있다.

123456789101112131415161718192021222324252627282930313233343536373839from plotly import tools
import plotly.offline as offline 
import plotly.graph_objs as go

macd = go.Scatter(
                x=df.date,
                y=df['macd'],
                name="MACD")

signal = go.Scatter(
                x=df.date,
                y=df['macds'],
                name="Signal")

oscillator = go.Bar(
                x=df.date,
                y=df['macdo'],
                name="oscillator")

trade_volume = go.Bar(
                x=df.date,
                y=df['volume'],
                name="volume")


data = [macd, signal, oscillator]

# data = [celltrion]
layout = go.Layout(title='{} MACD 그래프'.format(item_name))

fig = tools.make_subplots(rows=2, cols=1, shared_xaxes=True)

for trace in data:
    fig.append_trace(trace, 1,1)

fig.append_trace(trade_volume, 2,1)
# fig = go.Figure(data=data, layout=layout)

offline.iplot(fig)