퀀티랩 블로그 | 블로그

파이썬으로 IMF에서 각국의 GDP 수집하기 (v.2025)

Thu, 27 Nov 2025 00:00:00 GMT

이번 글에서는 파이썬을 사용하여 IMF(국제통화기금)에서 WEO(World Economic Outlook) 데이터베이스를 통해 세계 경제 데이터를 수집하고 GDP(국내총생산) 데이터를 조회하고 시각화하는 방법을 소개합니다.

WEO 데이터베이스에는 각국의 GDP, 인플레이션, 실업률 등 다양한 경제 지표가 포함되어 있습니다. 여기서는 GDP 데이터를 중심으로 다룹니다.

다음 내용을 다룹니다:

WEO 데이터를 SDMX 3.0 API를 통해 수집하는 방법
GDP 데이터 조회 및 시각화 방법

필요한 라이브러리 설치

먼저 필요한 파이썬 라이브러리를 설치합니다. pandas, requests, matplotlib 라이브러리가 필요합니다.

pip install pandas requests matplotlib

WEO 데이터 수집

IMF의 WEO 데이터는 SDMX 3.0 API를 통해 접근할 수 있습니다. 다음은 파이썬을 사용하여 GDP 데이터를 수집하는 예제 코드입니다.

import json
import requests

def get_weo_data():
    # Dataset
    # - Dataset name: World Economic Outlook (WEO)
    # - ID: WEO
    # - Agency: IMF.RES
    # - Version: 9.0.0
    "IMF.RES,WEO"

    # Data Query
    # https://api.imf.org/external/sdmx/3.0/data/{context}/{agencyID}/{resourceID}/{version}/{key}[?c][&updatedAfter][&firstNObservations][&lastNObservations][&dimensionAtObservation][&attributes][&measures][&includeHistory][&asOf]
    url = "https://api.imf.org/external/sdmx/3.0/data/dataflow/IMF.RES/WEO/9.0.0/*"

    res = requests.get(url)
    data = json.loads(res.text)

    return data

get_weo_data 함수를 호출하여 WEO 데이터를 수집할 수 있습니다.

import json

with open("weo_data.json", "w") as fout:
    data = get_weo_data()
    json.dump(data, fout)

수집한 데이터는 SDMX 3.0 형식으로 제공되서 파싱이 필요합니다.

GDP 데이터 조회 및 시각화

데이터를 살펴보면 dataSets 키 아래에 여러 국가와 지표가 포함되어 있습니다. 그런데 키 값이 복잡하므로, 이를 해석하기 위해서는 structures 키 아래의 정보를 참고해야 합니다.

다음은 데이터를 파싱하여 판다스 데이터프레임으로 변환하는 예제 코드입니다.

output = []

for data_set in data_sets:
    structure = structures[data_set["structure"]]
    series_dims = structure["dimensions"]["series"]
    obs_dims = structure["dimensions"]["observation"]

    for series_key, series_content in data_set["series"].items():
        # series dimensions 파싱
        dim_indices = series_key.split(":")
        series_info = {}

        for i, dim_index in enumerate(dim_indices):
            dim_id = series_dims[i]["id"]
            dim_value_id = series_dims[i]["values"][int(dim_index)]["id"]
            series_info[dim_id] = dim_value_id

        # series attributes 파싱
        attributes_info = {}
        for attr_value, struct_attr in zip(series_content.get("attributes", []),
                                           structure["attributes"]["series"]):
            attr_id = struct_attr["id"]

            # coded attribute는 index로 제공 => value id로 변환
            if isinstance(attr_value, int):
                attr_id_value = struct_attr["values"][attr_value]["id"]
            else:
                attr_id_value = attr_value  # uncoded string

            attributes_info[attr_id] = attr_id_value

        # observations 처리
        if "observations" not in series_content:
            continue

        for obs_key, obs_value in series_content["observations"].items():
            obs_idx = int(obs_key)
            obs_dim_value = obs_dims[0]["values"][obs_idx]["value"]
            value = obs_value[0]

            row = {
                **series_info,
                **attributes_info,
                "TIME_PERIOD": obs_dim_value,
                "VALUE": value
            }
            output.append(row)

# pandas DF 생성
import pandas as pd
df = pd.DataFrame(output)
df

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	COUNTRY	INDICATOR	FREQUENCY	SCALE	DECIMALS_DISPLAYED	OVERLAP	COUNTRY_UPDATE_DATE	TIME_PERIOD	VALUE
0	ABW	BCA	A	9	3	OL	9/19/2025	1999	-435000000
1	ABW	BCA	A	9	3	OL	9/19/2025	2000	213000000
2	ABW	BCA	A	9	3	OL	9/19/2025	2001	310000000
3	ABW	BCA	A	9	3	OL	9/19/2025	2002	-333000000
4	ABW	BCA	A	9	3	OL	9/19/2025	2003	-167000000
...	...	...	...	...	...	...	...	...	...
354235	ZWE	TXG_RPCH	A	0	3	OL	9/5/2025	2026	-0.814
354236	ZWE	TXG_RPCH	A	0	3	OL	9/5/2025	2027	4.939
354237	ZWE	TXG_RPCH	A	0	3	OL	9/5/2025	2028	4.226
354238	ZWE	TXG_RPCH	A	0	3	OL	9/5/2025	2029	3.698
354239	ZWE	TXG_RPCH	A	0	3	OL	9/5/2025	2030	3.604

354240 rows × 9 columns

위 코드에서는 다음과 같은 작업을 수행합니다:

data_sets와 structures를 추출하여 각각의 시리즈와 관측치를 파싱합니다.
series_key를 ”:“로 분리하여 각 차원의 값을 추출합니다.
series_content의 attributes를 구조체의 attributes와 매핑하여 속성 값을 추출합니다.
observations를 순회하며 각 관측치의 시간과 값을 추출하여 최종적으로 판다스 데이터프레임으로 변환합니다.

이제 df 데이터프레임에는 각국의 GDP 데이터가 포함되어 있습니다. 이를 활용하여 다양한 분석과 시각화를 수행할 수 있습니다.

특정 데이터를 조회하기 위해서 국가 코드, 지표 코드 등을 알아야 합니다. 예를 들어, 미국은 “USA”, 한국은 “KOR”입니다. 주요 GDP 지표는 다음과 같습니다:

실질 GDP (현재 가격): NGDP_R
실질 GDP (전년 대비 증감률): NGDP_RPCH
GDP 갭 (실질 GDP - 잠재 GDP): NGAP_NPGDP

다음 링크에서 각국의 GDP 데이터를 직접 조회할 수도 있습니다: https://data.imf.org/en/Data-Explorer?datasetUrn=IMF.RES:WEO(9.0.0)

조회한 테이블 좌측의 ℹ️ 아이콘을 클릭하면 Timeseries code를 확인할 수 있는데, 여기서 국가 코드와 지표 코드를 알 수 있습니다. 예를 들어, Timeseries code: KOR.NGDP_RPCH.A는 한국(KOR)의 실질 GDP 성장률(NGDP_RPCH)을 의미합니다. A는 연간 데이터를 나타냅니다.

다음은 미국과 한국의 실질 GDP와 실질 GDP 성장률을 시각화하는 예제 코드입니다.

import matplotlib.pyplot as plt

# NGDP_R: 실질 GDP (현재 가격)
# NGDP_RPCH: 실질 GDP (전년 대비 증감률)
# NGAP_NPGDP: GDP 갭 (실질 GDP - 잠재 GDP)

fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(12, 6))

# 미국
us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGDP_R")].copy()
us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])
us_data.plot(x="TIME_PERIOD", y="VALUE", title="US Real GDP Over Time", kind="line", ax=axes[0, 0])
us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGDP_RPCH")].copy()
us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])
us_data.plot(x="TIME_PERIOD", y="VALUE", title="US Real GDP Growth Rate Over Time", kind="line", ax=axes[0, 1])
us_data = df[(df["COUNTRY"] == "USA") & (df["INDICATOR"] == "NGAP_NPGDP")].copy()
us_data["VALUE"] = pd.to_numeric(us_data["VALUE"])
us_data.plot(x="TIME_PERIOD", y="VALUE", title="US GDP Gap Over Time", kind="line", ax=axes[0, 2])

# 한국
kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGDP_R")].copy()
kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])
kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea Real GDP Over Time", kind="line", ax=axes[1, 0])
kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGDP_RPCH")].copy()
kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])
kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea Real GDP Growth Rate Over Time", kind="line", ax=axes[1, 1])
kr_data = df[(df["COUNTRY"] == "KOR") & (df["INDICATOR"] == "NGAP_NPGDP")].copy()
kr_data["VALUE"] = pd.to_numeric(kr_data["VALUE"])
kr_data.plot(x="TIME_PERIOD", y="VALUE", title="Korea GDP Gap Over Time", kind="line", ax=axes[1, 2])

plt.tight_layout()

양국의 실질 GDP는 꾸준히 증가하는 추세를 보이며, 실질 GDP 성장률은 경기 변동에 따라 등락을 반복하는 모습을 확인할 수 있습니다.

GDP 갭 역시 경제 상황에 따라 변화하는 모습을 시각적으로 파악할 수 있습니다. 잠재 GDP는 경제가 완전 고용 상태에서 생산할 수 있는 최대 생산량을 나타내는데, GDP 갭이 양수일 경우 실제 GDP가 잠재 GDP를 초과하는 상태를 의미하며, 음수일 경우 그 반대를 의미합니다. GDP 갭이 양수로 크면 인플레이션 압력이 증가할 수 있고, 음수로 크면 경기 침체의 신호일 수 있습니다.

이와 같이 파이썬을 활용하여 IMF WEO 데이터베이스에서 각국의 GDP 데이터를 수집하고 분석할 수 있습니다. 미국, 한국 외에도 다양한 국가의 GDP 데이터를 동일한 방법으로 수집하여 비교 분석할 수 있습니다.

물가 지수와 코스피의 상관관계 분석

Tue, 15 Feb 2022 00:00:00 GMT

이번 포스트에서는 한국의 소비자/생산자 물가 지수와 코스피 사이의 상관관계를 분석합니다. 이 포스트에서 사용하는 데이터는 퀀티랩 네이버 카페의 금융 데이터 게시판에서 다운받을 수 있습니다.

소비자/생산자 물가 지수: https://cafe.naver.com/quantylab/140
코스피 종가: https://cafe.naver.com/quantylab/141

먼저 다운받은 데이터들을 불러옵니다.

import pandas as pd

df_cpi = pd.read_csv('./cpi_20220215.csv', header=0)
df_ppi = pd.read_csv('./ppi_20220215.csv', header=0)
df_kospi = pd.read_csv('./kospi_20220218.csv', header=0)

이 세 데이터를 하나의 DataFrame으로 합치겠습니다. 코스피는 일별이고 CPI 및 PPI 데이터는 월별 데이터 입니다.

df = df_kospi.merge(df_cpi, how='left', on='month').fillna(method='ffill').dropna(subset=['cpi'])
df = df.merge(df_ppi, how='left', on='month').fillna(method='ffill').dropna(subset=['ppi'])
df['dt'] = pd.to_datetime(df['date'], format='%Y%m%d')
df['cpi'] = df['cpi'].astype(float)
df['ppi'] = df['ppi'].astype(float)
df = df.reset_index(drop=True)

월별 데이터를 일별 데이터로 month 열을 기준으로 left join 했습니다. 여기서 cpi, ppi 열의 데이터 형식이 문자열로 되어 있어서 float로 캐스팅 했습니다.

이제 코스피와 CPI, 코스피와 PPI 차트를 출력해 보려고 합니다. 두 데이터의 값의 범위가 크게 차이나기 때문에 y 축을 2개 사용합니다.

다음과 같이 두 시계열을 별도의 y축으로 그리는 함수인 get_multchart()를 작성했습니다.

def get_multchart(xticklabels, y1, y2, label1='', label2='', w=500, h=300, sizing_mode='stretch_width'):
    x = np.arange(len(xticklabels))
    xticks = np.linspace(0, len(xticklabels)-1, 10, endpoint=True, dtype=int).tolist()
    p = figure(plot_width=w, plot_height=h, tools='', y_axis_location='left')
    p.xaxis.ticker = xticks
    p.xaxis.major_label_overrides = {_x: util.format_date(str(xticklabels[_x])) for _x in xticks}
    p.xaxis.major_label_orientation = -np.pi / 4
    p.yaxis.major_label_text_color = 'red'
    p.yaxis.formatter = NumeralTickFormatter(format='0,0')
    p.y_range = Range1d(y1.min() * 0.95, y1.max() * 1.05)
    p.extra_y_ranges = {
        'y2_range': Range1d(y2.min() * 0.95, y2.max() * 1.05)
    }
    y2_axis = LinearAxis(y_range_name='y2_range')
    y2_axis.major_label_text_color = 'blue'
    y2_axis.formatter = NumeralTickFormatter(format='0,0')
    p.add_layout(y2_axis, 'right')

    p.line(x, y1, line_color='red', legend_label=label1)
    p.line(x, y2, line_color='blue', legend_label=label2, y_range_name='y2_range')

    configure_legend(p)

    grid = gridplot([[p]], toolbar_location=None, sizing_mode=sizing_mode)
    return grid

이 함수를 이용해서 두 차트를 그립니다. 먼저 코스피와 CPI, 다음으로 코스피와 PPI를 그립니다.

from bokeh.io import output_notebook, show
output_notebook()

show(get_multchart(df['dt'], df['close'], df['cpi'], label1='KOSPI', label2='CPI'))
show(get_multchart(df['dt'], df['close'], df['ppi'], label1='KOSPI', label2='PPI'))

여기서 CPI, PPI는 전월 대비 % 값입니다. CPI와 코스피를 봤을 때 2001년 부근에서는 서로 역관계처럼 보이다가 2007년 부근에서는 코스피가 CPI를 선행하는 것처럼도 보입니다. PPI도 구간에 따라서 상관성이 다르게 보입니다. 즉 물가 지수와 코스피만으로 서로가 밀접한 상관성이 있다고 말할 수는 없어 보입니다. 이 부부은 2008년 금융위기로 주식 폭락과 물가

실제로 피어슨 상관계수를 구해 보면 구간에 따라서 매우 큰 차이가 생기는 것을 볼 수 있습니다.

from scipy.stats import pearsonr
_df = df[df['date'] >= '20150101']
print(pearsonr(_df['close'], _df['cpi']))
print(pearsonr(_df['close'], _df['ppi']))

(0.3184625030996628, 1.1693520291646116e-42)
(0.7737092632552787, 0.0)

그렇다고 상관성이 아주 없다고 볼 수도 없습니다. 주식 딥러닝 모델을 구축할 때 학습데이터의 피처로 충분히 활용할 만하다고 보입니다.

구글 검색 트렌드와 코스피 상관관계 분석

Thu, 10 Feb 2022 00:00:00 GMT

이번 포스트에서는 “kospi” 검색어에 대한 구글 검색 트렌드와 실제 코스피 지수를 한 차트에 그려보고 상관관계 분석을 해보겠습니다. 여기서 사용하는 데이터는 퀀티랩 네이버 카페에 올려 놓았습니다. 카페에 가입하시면 다운 받으실 수 있습니다.

구글 검색 트렌드: https://cafe.naver.com/quantylab/124
코스피 종가: https://cafe.naver.com/quantylab/125

위 데이터를 다운 받은 후 먼저 아래와 같이 구글 검색 트렌드 데이터를 불러옵니다. 이 데이터는 주간 단위의 데이터이므로 4년치라도 행의 수는 많지 않습니다.

import pandas as pd

df = pd.read_csv('./google_trend_kospi_2018_2021.csv', header=1)
df.columns = ['date', 'interest']
df['date'] = pd.to_datetime(df['date'], format="%Y-%m-%d")
df

index	date	interest
0	2018-01-07	26
1	2018-01-14	30
2	2018-01-21	28
3	2018-01-28	29
4	2018-02-04	33
…	…	…
203	2021-11-28	53
204	2021-12-05	56
205	2021-12-12	55
206	2021-12-19	60
207	2021-12-26	52

이 데이터를 다음처럼 차트로 그려볼 수 있습니다. 차트를 그릴 때 다양한 라이브러리를 활용할 수 있지만 여기서는 bokeh 라이브러리를 사용했습니다.

from math import pi
from bokeh.io import output_notebook, show
from bokeh.plotting import figure, gridplot
from bokeh.models import DatetimeTickFormatter
output_notebook()

grid = []

p = figure(title='Google Trend (kospi)', plot_width=500, plot_height=200, tools="crosshair")
p.line(df['date'], df['interest'], line_color='black')
p.xaxis.formatter = DatetimeTickFormatter(months=["%Y-%m-%d"])
p.xaxis.major_label_orientation = pi/4

grid.append([p])

p = gridplot(grid, toolbar_location=None)
show(p)

이제 코스피 종가 데이터를 불러옵니다. 위 구글 트렌드 데이터와 같은 y축으로 그리기 위해서 종가 값을 0~100 사이로 조정하여 pos 컬럼에 추가했습니다.

df_kospi = pd.read_csv('./kospi_2018_2021.csv', converters={'date': str})
df_kospi['date'] = pd.to_datetime(df_kospi['date'], format="%Y%m%d")
df_kospi['pos'] = ((df_kospi['close'] - df_kospi['close'].min()) / (df_kospi['close'].max() - df_kospi['close'].min())) * 100
df_kospi

index	date	close	pos
0	2018-01-02	2479.649902	55.316438
1	2018-01-03	2486.350098	55.679087
2	2018-01-04	2466.459961	54.602531
3	2018-01-05	2497.520020	56.283661
4	2018-01-08	2513.280029	57.136674
…	…	…	…
981	2021-12-24	3012.429932	84.153237
982	2021-12-27	2999.550049	83.456111
983	2021-12-28	3020.239990	84.575958
984	2021-12-29	2993.290039	83.117288
985	2021-12-30	2977.649902	82.270763

이제 코스피 종가 데이터도 차트에 추가로 그려봅니다.

from math import pi
from bokeh.plotting import figure, show
from bokeh.models import DatetimeTickFormatter
from bokeh.models import Legend

grid = []

p = figure(title='Google Trend (kospi) and KOSPI Position', plot_width=800, plot_height=200, tools="crosshair")
a1 = p.line(df['date'], df['interest'], line_color='black')
a2 = p.line(df_kospi['date'], df_kospi['pos'], line_color='red')
p.xaxis.formatter = DatetimeTickFormatter(months=["%Y-%m-%d"])
p.xaxis.major_label_orientation = pi/4

legend = Legend(items=[
    ('G. Trend', [a1]),
    ('KOSPI Pos.', [a2]),
], location="center")
p.add_layout(legend, 'right')

grid.append([p])

p = gridplot(grid, toolbar_location=None)
show(p)

눈으로 보기에는 “kospi” 검색어가 급증할 때 코스피 지수가 폭락한 경우가 많았음이 보입니다. 공포 심리에 의해 뉴스 등을 찾아보기 위해 검색이 급증하고 실제로 코스피 지수도 요동치는 경우가 있습니다. 물론 상관성은 높지 않아 보이지만 검색 급증이 있으면 하나의 작은 위험 신호로 고려하는 것도 나쁘지 않을 것입니다. 조심해서 나쁠 것은 없습니다.

다음과 같이 상관 계수를 뽑아 보면 그렇게 상관성은 높게 나오지 않습니다. 시계열 전체에서의 상관성 보다는 검색 급증 시그널 정도만 잘 포착하는 것이 의미있어 보입니다.

from scipy.stats import pearsonr
_df = df.merge(df_kospi, how='outer', on='date').sort_values(by='date')
_df = _df.ffill()
_df = _df.bfill()

pearsonr(_df['pos'], _df['interest'])

(0.14169129281665557, 8.844934622779502e-07)

원자재 지수와 주가의 상관관계 분석

Sat, 29 Jan 2022 00:00:00 GMT

이번 포스트에서는 대표적인 원자재 지수인 S&P GSCI와 주식 종목 주가와의 상관관계를 분석해봅니다. 다음 코드 블록은 종목코드 데이터, 원자재 지수 데이터를 불러오는 부분입니다. 데이터는 퀀티랩 네이버 카페의 금융데이터 메뉴에서 공유드립니다.

종목코드: https://cafe.naver.com/quantylab/124
GSCI: https://cafe.naver.com/quantylab/125
종목 일봉차트: https://cafe.naver.com/quantylab/123

# 종목코드 데이터 준비
import json
with open('../../../data/stockcodes_20220128.json', encoding='utf-8') as f:
    stockcodes = json.load(f)
stockcodes

[[‘082740’, ‘HSD엔진’], [‘001390’, ‘KG케미칼’], [‘011070’, ‘LG이노텍’], [‘002360’, ‘SH에너지화학’], [‘001740’, ‘SK네트웍스’], [‘071970’, ‘STX중공업’], [‘024070’, ‘WISCOM’], [‘011420’, ‘갤럭시아에스엠’], [‘267290’, ‘경동도시가스’], [‘002240’, ‘고려제강’], [‘001290’, ‘상상인증권’], [‘014530’, ‘극동유화’], [‘214330’, ‘금호에이치티’], [‘013700’, ‘까뮤이앤씨’], [‘090350’, ‘노루페인트’], [‘005250’, ‘녹십자홀딩스’], [‘004440’, ‘삼일씨엔에스’], [‘014160’, ‘대영포장’], [‘003090’, ‘대웅’], [‘003220’, ‘대원제약’], [‘002880’, ‘대유에이텍’], [‘001620’, ‘케이비아이동국실업’], [‘023450’, ‘동남합성’], [‘004140’, ‘동방’], [‘000640’, ‘동아쏘시오홀딩스’], [‘225330’, ‘씨엠에스에듀’], [‘101240’, ‘씨큐브’], [‘047920’, ‘HLB제약’], [‘013990’, ‘아가방컴퍼니’], [‘052710’, ‘아모텍’], …]

# 원자재 데이터 준비
import pandas as pd
df_gsci = pd.read_csv('../../../data/gsci_20220128.csv', converters={'date': str})
df_gsci

date	close	diff	diffratio	high	low	open	volume
20150102	414.9583	-3.177835	-0.0076	421.5643	412.5496	418.1225	0
20150105	404.6091	-10.332034	-0.0249	414.9583	403.7641	414.9583	0
20150106	397.9523	-6.676373	-0.0165	406.4719	396.1576	404.6091	0
20150107	396.6795	-1.273449	-0.0032	400.6534	392.2534	397.9523	0
20150108	397.1010	0.436331	0.0011	399.5170	393.1882	397.2257	0
…	…	…	…	…	…	…	…
20220121	608.8819	-2.568090	-0.0042	611.4234	599.3347	611.4234	0
20220124	601.5777	-7.306612	-0.0120	612.6561	595.1512	608.8819	0
20220125	611.0378	9.445007	0.0157	611.3097	601.1267	601.5777	0
20220126	619.5484	8.493661	0.0139	621.5063	608.4988	611.0378	0
20220127	616.7431	-2.787889	-0.0045	623.2471	613.9215	619.5484	0

다음은 종목 일봉 차트와 원자재 지수의 상관관계를 구합니다. 여기서 사용한 상관분석 방법은 피어슨 상관분석 입니다. 피어슨은 상관계수가 -1에서 1 사이의 값으로, 1에 가까울수록 정관계, -1에 가까울수록 역관계임을 의미합니다.

# 종목 데이터 준비
# 종목과 원자재 상관관계 저장
from scipy.stats import pearsonr
from tqdm import tqdm

df_corr = pd.DataFrame()
for code, name in tqdm(stockcodes):
    data = {'code': code, 'name': name}
    df_stockcandles_day = pd.read_csv(
        f'../../../data/stockcandles_day_20220128/stockcandles_day_{code}_{name}_20220128.csv',
        converters={'date': str}
    )
    start_date = df_stockcandles_day.iloc[0]['date']
    end_date = df_stockcandles_day.iloc[-1]['date']
    _df_gsci = df_gsci[(df_gsci['date'] >= start_date) & (df_gsci['date'] <= end_date)]
    _df = pd.merge(df_stockcandles_day, _df_gsci, how='left', on='date', suffixes=['_stock', '_commodity'])
    _df = _df.dropna()
    if len(_df) < 20:
        continue
    corr, p = pearsonr(_df['close_stock'], _df['close_commodity'])
    if p <= 0.05:
        data['gsci'] = corr
    else:
        data['gsci'] = 0
    df_corr = df_corr.append(data, ignore_index=True)
columns = df_corr.columns.tolist()
columns.remove('code')
columns.remove('name')
columns = ['code', 'name'] + columns
df_corr = df_corr[columns]
df_corr

code	name	gsci
082740	HSD엔진	0.697773
001390	KG케미칼	0.771450
011070	LG이노텍	0.650439
002360	SH에너지화학	-0.084560
001740	SK네트웍스	-0.138996
…	…	…
298870	케이티비네트워크	-0.954783
400840	하이제7호스팩	0.000000
397880	교보11호스팩	0.000000
396770	엔에이치스팩22호	-0.438219
400560	하나금융20호스팩	0.000000

이렇게 종목 일봉 차트와 GSCI의 상관계수를 구하고 다음과 같이 후처리합니다.

# NaN 제거
df_corr2 = df_corr.dropna().copy()

# 데이터 저장
df_corr2.to_csv('data/corr.csv', index=False)

# 데이터 불러오기
str_columns = ['code', 'name']
df_corr2 = pd.read_csv('data/corr.csv', converters={k: lambda x: str(x) for k in str_columns})

먼저 NaN을 제거하고 데이터를 저장합니다. 이 데이터도 퀀티랩 네이버 카페에 올려 놓겠습니다.

다음과 같이 스팩과 리츠 종목은 제거하고 상관관계가 높은 종목을 확인합니다.

# 스팩, 리츠 제외
df_corr3 = df_corr2[~(df_corr2['name'].str.endswith('스팩') | df_corr2['name'].str.endswith('리츠'))]

먼저 정관계로 상관관계가 높은 종목을 랭킹하여 가시화합니다.

# 상관관계 높은 종목 가시화
from quantylab.common import viz

for idx, row in df_corr3.sort_values(by='gsci', ascending=False).head(n=5).iterrows():
    df_stockcandles_day = pd.read_csv(
        '../../../data/stockcandles_day_20220128/stockcandles_day_{}_{}_20220128.csv'.format(row['code'], row['name']),
        converters={'date': str}
    )
    start_date = df_stockcandles_day.iloc[0]['date']
    end_date = df_stockcandles_day.iloc[-1]['date']

    _df_gsci = df_gsci[(df_gsci['date'] >= start_date) & (df_gsci['date'] <= end_date)]
    _df = pd.merge(df_stockcandles_day, _df_gsci, how='left', on='date', suffixes=['_stock', '_commodity'])
    _df = _df.dropna().copy().reset_index(drop=True)

    print('{} {} {}'.format(row['name'], row['max_commodity'], row['max_corr']))
    viz.show_notebook(viz.get_multchart(_df['date'], _df['close_stock'], _df['close_commodity'], label1=row['name'], label2=row['max_commodity']))

주로 소형 제조업 위주로 랭킹되는 것을 볼 수 있습니다.

다음으로 역관계로 상관관계가 높은 종목을 랭킹하여 가시화합니다.

# 역 상관관계 높은 종목 가시화
from quantylab.common import viz

for idx, row in df_corr3.sort_values(by='gsci', ascending=True).head(n=5).iterrows():
    df_stockcandles_day = pd.read_csv(
        '../../../data/stockcandles_day_20220128/stockcandles_day_{}_{}_20220128.csv'.format(row['code'], row['name']),
        converters={'date': str}
    )
    start_date = df_stockcandles_day.iloc[0]['date']
    end_date = df_stockcandles_day.iloc[-1]['date']

    _df_gsci = df_gsci[(df_gsci['date'] >= start_date) & (df_gsci['date'] <= end_date)]
    _df = pd.merge(df_stockcandles_day, _df_gsci, how='left', on='date', suffixes=['_stock', '_commodity'])
    _df = _df.dropna().copy().reset_index(drop=True)

    print('{} {} {}'.format(row['name'], row['max_commodity'], row['max_corr']))
    viz.show_notebook(viz.get_multchart(_df['date'], _df['close_stock'], _df['close_commodity'], label1=row['name'], label2=row['max_commodity']))

주로 연구 위주의 중소형주가 상위랭킹되는 것을 볼 수 있습니다.

데이터 받아가셔서 다양하게 분석해 보시기 바랍니다.

공매도 데이터 분석하기

Wed, 19 Jan 2022 00:00:00 GMT

이번 포스트에서는 파이썬으로 공매도 데이터를 분석해 봅니다. 공매도 데이터 수집에 대해서는 이 포스트를 확인해 주세요.

공매도 거래, 공매도 잔고, 종목 정보 데이터를 가져옵니다. 이 부분은 개인적으로 사용하는 데이터베이스를 활용하므로 퀀티랩 카페에서 CSV 파일을 다운받아 사용하시기 바랍니다.

import pandas as pd
from quantylab.common.db.mongodb import MongoDBClient
coll = MongoDBClient.get_coll('short')
cursor = coll.find({'date': {'$gte': '20210601', '$lte': '20220114'}}, {'_id': 0, 'dt_update': 0, 'date_update': 0}, sort=[('date', -1)])
df_short = pd.DataFrame(list(cursor))
coll = MongoDBClient.get_coll('shortbalance')
cursor = coll.find({'date': {'$gte': '20210601', '$lte': '20220114'}}, {'_id': 0, 'dt_update': 0, 'date_update': 0}, sort=[('date', -1)])
df_shortbalance = pd.DataFrame(list(cursor))
coll = MongoDBClient.get_coll('stockcodes')
cursor = coll.find({}, {'_id': 0, 'code': 1, 'name': 1})
df_stockcodes = pd.DataFrame(list(cursor))

위에서 준비한 세 DataFrame을 합칩니다. 이 합친 데이터를 CSV 파일로 저장해 둡니다. 이 CSV 데이터를 카페에 올려 놓았습니다. 카페 가입하셔서 다운받으시고 질문도 해주시면 감사하겠습니다.

df = pd.merge(df_short, df_shortbalance[['code', 'date', 'bal_rto', 'bal_amt', 'bal_qty']], on=['code', 'date'], how='left')
df = pd.merge(df, df_stockcodes, on='code', how='left')
df = df[['name'] + df.columns.tolisZt()[:-1]]
df.to_csv('20220113_analysis_short.csv', index=False)

CSV 파일을 다운받으셨다면 다음 부분부터 직접 해보실 수 있습니다. 다음 코드는 CSV 파일을 불러오는 부분입니다.

import pandas as pd
str_columns = ['code', 'date']
df = pd.read_csv('20220113_analysis_short.csv', converters={k: lambda x: str(x) for k in str_columns})

code, date를 숫자로 읽는 것을 방지하기 위해서 converters 인자를 넣어줍니다. 그리고 다음 코드에서처럼 date로 정렬하고 % 단위를 떼고 NaN 값이 포함된 행을 버립니다.

df = df.sort_values(by='date')
# % 단위 떼기
df['short_ratio'] /= 100
df['bal_rto'] /= 100
df = df.dropna().copy()

name	code	date	avg_price	avg_price_ratio	close	diff	diffratio	short_amount	short_ratio	short_volume	volume	bal_rto	bal_amt	bal_qty
LX홀딩스	383800	20210601	11078	-78	11000	50	0.46	26214	0.012591000000000001	23662	1879288	0.0	34639000.0	3149.0
DB금융투자	016610	20210601	7215	5	7220	50	0.7	412	0.003169	571	180173	0.0	0.0	0.0
CJ제일제당	097950	20210601	484327	1173	485500	-3000	-0.61	122535	0.0437	2530	57895	0.0029	21517360000.0	44320.0
CJ씨푸드	011150	20210601	4819	1	4820	105	2.23	22	3.8e-05	45	1188132	0.0083	1435482760.0	297818.0
BGF리테일	282330	20210601	183995	5	184000	2500	1.38	64950	0.089838	3530	39293	0.0007000000000000001	2272032000.0	12348.0
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
엠씨넥스	097520	20220114	56312	-12	56300	3800	7.24	141	1.9e-05	25	1321720	0.0029	2909752900.0	51683.0
더블유게임즈	192080	20220114	53966	234	54200	-400	-0.73	47851	0.10421200000000001	8867	85086	0.0139	13883763600.0	256158.0
PI첨단소재	178920	20220114	52734	366	53100	1000	1.92	34556	0.044195000000000005	6553	148275	0.0086	13446300600.0	253226.0
포스코케미칼	003670	20220114	129380	620	130000	-2000	-1.52	94033	0.043436	7268	167325	0.0235	236509260000.0	1819302.0
LG이노텍	011070	20220114	381022	3478	384500	32000	9.08	3552349	0.05383	93232	1731987	0.005600000000000001	50517917000.0	131386.0

이 데이터에서 종목별로 상환 규모를 확인하고 공매도 거래량, 공매도 잔고, 상환 규모의 5일 이동평균을 구합니다. 이 과정은 몇 분 정도 걸릴 수 있습니다. 그래서 tqdm으로 진행율을 확인합니다.

from tqdm import tqdm
for k, g in tqdm(df.groupby('code')):
    # 상환 규모 확인
    # 당일 short_volume - (당일 bal_qty - 전일 bal_qty)
    df.loc[df['code'] == k, 'bal_qty_diff'] = g['bal_qty'].diff()
    df.loc[df['code'] == k, 'repay_volume'] = (df.loc[df['code'] == k, 'short_volume'] - df.loc[df['code'] == k, 'bal_qty_diff']).clip(0)
    df.loc[df['code'] == k, 'repay_ratio'] = df.loc[df['code'] == k, 'repay_volume'] / df.loc[df['code'] == k, 'volume']
    # 이동평균
    df.loc[df['code'] == k, 'short_ratio_ma5'] = g['short_ratio'].fillna(0).rolling(5).mean()
    df.loc[df['code'] == k, 'bal_rto_ma5'] = g['bal_rto'].fillna(0).rolling(5).mean()
    df.loc[df['code'] == k, 'repay_ratio_ma5'] = df.loc[df['code'] == k, 'repay_ratio'] .fillna(0).rolling(5).mean()

이렇게 구한 repay_ratio_ma5로 내림차순 정렬을 해보면 다음과 같은 결과를 얻을 수 있습니다.

_df = df[df['date'] == '20220114'].sort_values(by='repay_ratio_ma5', ascending=False)
_df

name	code	date	avg_price	avg_price_ratio	close	diff	diffratio	short_amount	short_ratio	short_volume	volume	bal_rto	bal_amt	bal_qty	bal_qty_diff	repay_volume	repay_ratio	short_ratio_ma5	bal_rto_ma5	repay_ratio_ma5
BGF리테일	282330	20220114	145501	-1501	144000	-2000	-1.37	188743	0.31445	12972	41253	0.0013	3342384000.0	23211.0	4353.0	8619.0	0.20893025961748238	0.24250639999999998	0.0013000000000000002	0.2374309360178176
세방전지	004490	20220114	69346	-146	69200	-1800	-2.54	22322	0.094635	3219	34015	0.0191	18506225200.0	267431.0	-6377.0	9596.0	0.2821108334558283	0.1048104	0.02026	0.22422523200232863
호텔신라	008770	20220114	77304	96	77400	-1100	-1.4	594543	0.222531	76910	345615	0.0717	217719311400.0	2812911.0	83286.0	0.0	0.0	0.271113	0.06978000000000001	0.2142213088295697
금호석유화학	011780	20220114	174115	-115	174000	2500	1.46	293854	0.075005	16877	225011	0.05	263459838000.0	1514137.0	-44184.0	61061.0	0.2713689552955189	0.0773396	0.0519	0.20765174156183894
효성첨단소재	298050	20220114	532588	412	533000	-8000	-1.48	314067	0.159077	5897	37070	0.0147	35143888000.0	65936.0	15093.0	0.0	0.0	0.1540592	0.01316	0.18448044554531187
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
콤텍시스템	031820	20220114	957	0	957	-16	-1.64	1	9e-06	8	937184	0.0011	123620475.0	129175.0	0.0	8.0	8.536210605388056e-06	4.259999999999999e-05	0.0010999999999999998	4.258825517099485e-05
TCC스틸	002710	20220114	12950	0	12950	800	6.58	3	0.0	2	5084832	0.0	0.0	0.0	0.0	2.0	3.933266625131371e-07	3.48e-05	0.0	3.473958840739652e-05
미래산업	025560	20220114	13650	100	13750	-350	-2.48	1	2.5e-05	1	39706	0.0	0.0	0.0	0.0	1.0	2.518511056263537e-05	2.46e-05	0.0	2.4705969543888606e-05
이스타코	015020	20220114	3105	0	3105	-110	-3.42	1	5.999999999999999e-06	4	721686	0.0	0.0	0.0	0.0	4.0	5.542576688476706e-06	2.3000000000000024e-05	0.0	2.2816870909533658e-05
오리엔트바이오	002630	20220114	1315	5	1320	20	1.54	0	0.0	1	2479455	0.0013	198262680.0	150199.0	0.0	1.0	4.033144380519106e-07	5.200000000000005e-06	0.0013	5.125393445035716e-06

이 종목들 중에서 공매도 상환율이 높은 상위 5개 종목을 살펴보겠습니다.

BGF리테일

최근 공매도 거래가 높은데 공매도 잔고는 크게 늘지 않고 유지되고 있습니다. 즉, 공매도 상환율도 높은 상황입니다. 공매도자들의 판단이 엇갈리고 있다고 보이는 지점입니다.

세방전지

공매도 거래는 꾸준히 있는데 공매도 잔고가 떨어지고 있습니다.

호텔신라

11월에 어닝쇼크로 공매도 잔고가 급격하게 늘었습니다. 이후 공매도 거래는 많은데 공매도 잔고는 조금씩 오르는 모습입니다.

금호석유화학

공매도 잔고가 꾸준히 늘다가 최근 하락 전환하는 모습입니다.

효성첨단소재

최근 공매도 거래가 상당한 상황입니다.

대신증권 크레온에서 투자자별 매매동향 수집하기

Wed, 24 Nov 2021 00:00:00 GMT

이번 포스트에서는 크레온 플러스 API를 이용하여 개인, 기관, 외국인의 매매동향 데이터를 수집하는 방법을 다루겠습니다.

퀀티랩 SysTrader 패키지를 다운받아 설치하시면 다음과 같이 쉽게 기능을 사용할 수 있습니다.

from quantylab.systrader.creon import Creon

c = Creon()
data = c.get_investorbuysell('005930', n=60)

지금부터는 SysTrader 설치 없이 위 기능을 직접 구현해 보실 수 있도록 풀어서 설명하겠습니다.

퀀티랩 YouTube 채널의 이 영상을 보셔도 됩니다.

투자자별 매매동향 데이터는 크레온의 매매입체분석 CpSysDib.CpSvr7254 모듈을 사용해서 가져올 수 있습니다.

크레온 플러스 API 사용을 위해서는 win32com 패키지가 필요한데 pip install pywinauto로 설치할 수 있습니다.

먼저 win32com.client를 임포트하여 CpSysDib.CpSvr7254 모듈을 Dispatch 합니다.

import win32com.client
obj = win32com.client.Dispatch('CpSysDib.CpSvr7254')

이제 파라미터를 입력해야 합니다. 문서를 보면 다양한 파라미터들이 있는데 여기서는 하나의 예시를 들겠습니다. 이 문서에서 확인하시어 아래 예제처럼 원하시는 값으로 입력해 주시면 됩니다.

obj.SetInputValue(0, 'A005930')  # 종목코드
obj.SetInputValue(1, 6)  # 기간선택구분 - 6:일별
obj.SetInputValue(4, ord('0'))  # 매매비중구분 - '0':순매수
obj.SetInputValue(5, 0)  # 투자자 - 0:전체
obj.SetInputValue(6, ord('1'))  # 데이터 구분 - '1':순매수량

이렇게 삼성전자에 대해 투자자들의 일별 매매동향을 가져오도록 파라미터를 채웠습니다. 이제 요청을 다음과 같이 보내면 됩니다.

obj.BlockRequest()

이제 요청 결과를 가져올 수 있는데, 먼저 결과 데이터 개수를 확인해 보겠습니다. 이건 GetHeaderValue(type) 메소드로 가져올 수 있는데 type은 모듈마다 달라서 문서를 확인해야 합니다. 이 모듈에서 결과의 데이터 개수에 대한 type 값은 1 입니다.

cnt = obj.GetHeaderValue(1)

아마 cnt는 17개로 나올 것입니다. 이건 이 모듈이 한번 조회할 때 최대 17개까지만 반환해주기 때문입니다. 더 많은 과거 데이터를 원할 경우 연속조회 하면 됩니다. 이건 뒤에서 확인하겠습니다.

먼저 현재 요청 결과를 dict로 구성해 보겠습니다. 결과는 GetDataValue(type, index) 메소드로 가져옵니다. type은 문서를 확인하면 되고 index는 17개 아이템에 대한 인덱스 입니다.

이렇게 결과를 dict 형태로 만들 수 있습니다.

keys = [
    '일자',
    '개인',
    '외국인',
    '기관계',
    '금융투자',
    '보험',
    '투신',
    '은행',
    '기타금융',
    '연기금 등',
    '기타법인',
    '기타외인',
    '사모펀드',
    '국가지자체',
    '종가',
    '대비',
    '대비율',
    '거래량',
    '확정치여부',
]
data = []
for i in range(cnt):
    item = {k: obj.GetDataValue(j, i) for j, k in enumerate(keys)}
    data.append(item)

이제 연속조회로 더 많은 데이터를 가져와 보겠습니다.

if obj.Continue:
    obj.BlockRequest()

그리고 위와 똑같이 dict 형태로 만들어서 data에 추가하면 됩니다.

cnt = obj.GetHeaderValue(1)
for i in range(cnt):
    item = {k: obj.GetDataValue(j, i) for j, k in enumerate(keys)}
    data.append(item)

이 데이터를 pandas DataFrame으로 변환하여 출력해보면 다음처럼 테이블로 결과를 볼 수 있습니다.

import pandas as pd
df = pd.DataFrame(data)

index	일자	개인	외국인	기관계	금융투자	보험	투신	은행	기타금융	연기금 등	기타법인	기타외인	사모펀드	종가	대비	대비율	거래량	확정치여부
0	20211122	-8689002	5766721	3033799	1879919	20352	738060	-36395	27387	85824	-82117	-29401	318652	74900	3700	5.20	27239836	49
1	20211119	-742078	313970	432827	283202	12079	-23332	-3478	-24859	179418	-8721	4002	9797	71200	1000	1.42	11954728	49
2	20211118	1314434	-738137	-576566	-103191	-3195	-10927	0	1	-456299	-5413	5682	-2955	70200	-500	-0.71	10144957	49
3	20211117	1234537	1519353	-2816912	-2557894	27969	122759	105367	-114917	-491388	57393	5629	91192	70700	-600	-0.84	11027606	49
4	20211116	-753052	1025989	-202007	148871	-48992	122148	46961	-116	-551871	-73698	2768	80992	71300	-100	-0.14	10919239	49
5	20211115	-3174454	976207	2301384	1708103	27375	63674	-6560	2705	369771	-86615	-16522	136316	71400	800	1.13	12420710	49
6	20211112	-2411322	384228	2046949	2015464	-10560	196819	-761	405	-152781	-16190	-3665	-1637	70600	700	1.00	10087450	49
7	20211111	2266214	-2179760	-116698	655621	67711	-133062	2502	-234	-389250	27906	2338	-319986	69900	-300	-0.43	11489122	49
8	20211110	-722793	1435001	-724133	-268435	-14154	32610	0	-5246	-475829	9024	2901	6921	70200	-300	-0.43	9422009	49
9	20211109	-454505	-725539	1193368	1695062	-18889	-35616	0	1624	-478674	-10796	-2528	29861	70500	-100	-0.14	11159589	49
10	20211108	714776	-628399	-89168	233239	23127	38912	7130	103	-384412	855	1936	-7267	70600	400	0.57	11121981	49
11	20211105	2087811	-1174569	-905068	-452144	158763	28084	2288	-682	-633973	-11957	3783	-7404	70200	-400	-0.57	12667743	49
12	20211104	-1743969	-80764	1947030	1874492	201770	-16178	3000	-196	-190245	-119787	-2510	74387	70600	200	0.28	11818987	49
13	20211103	3748000	-1032459	-2789497	-2145003	-97809	-8839	3000	4247	-300074	72239	1717	-245019	70400	-1100	-1.54	12770428	49
14	20211102	-5644694	2043624	3621076	3253414	-151433	150916	223	348	113959	-2851	-17155	253649	71500	1600	2.29	16812570	49
15	20211101	-1367521	-1651736	3003169	2827678	65072	38774	2	-7314	-75387	13386	2702	154344	69900	100	0.14	11503729	49
16	20211029	4050479	-1812320	-2365662	-1496831	66131	124596	18242	5201	-1103470	111608	15895	20469	69800	-900	-1.27	17016151	49
17	20211028	899791	-2432885	1281744	98960	17371	446463	-5311	2738	200349	253867	-2517	521174	70700	600	0.86	20644902	49
18	20211027	3080455	-2124585	-1005822	-622428	-28520	-4796	3894	-436	-354458	34143	15809	922	70100	-1000	-1.41	10295316	49
19	20211026	-1247398	-551563	1812123	1501865	-3643	78012	7236	757	96060	-16422	3260	131836	71100	900	1.28	10528252	49
20	20211025	582794	-1599446	988462	1110489	17838	8699	-1410	547	-182522	30985	-2795	34821	70200	-200	-0.28	10029621	49
21	20211022	-644269	-128538	762404	1215268	2445	-40105	-682	-167	-452150	12542	-2139	37795	70400	200	0.28	8395448	49
22	20211021	203876	109754	-197734	242202	-125548	-30478	0	-13079	-275758	-116542	646	4927	70200	-100	-0.14	10891094	49
23	20211020	556532	256311	-829527	-125516	-131592	-86437	200	-558	-486593	8664	8020	969	70300	-300	-0.42	10151638	49
24	20211019	-504814	-431790	910091	1429098	16262	-61830	1361	167	-432527	33963	-7450	-42440	70600	400	0.57	9507991	49
25	20211018	771890	1303614	-2117009	-1564134	-42320	-17082	-329	833	-477196	30584	10921	-16781	70200	100	0.14	13486391	49
26	20211015	822742	-1376104	456288	626433	-60458	99645	21339	242	-312400	84238	12836	81487	70100	700	1.01	18051612	49
27	20211014	2011163	-3787173	1696662	1993635	-93476	76957	-20	10524	-236463	62704	16644	-54495	69400	600	0.87	19520641	49
28	20211013	2224620	-5271845	2725596	2539887	-100166	33871	16584	-7544	20055	311767	9862	222909	68800	-200	-0.29	24172015	49
29	20211012	12155071	-11004329	-1421202	-907809	-230050	-178155	15394	-60991	12399	248713	21747	-71990	69000	-2500	-3.50	31001484	49
30	20211008	2612855	319900	-2923031	-1565044	-88549	42805	3341	-8642	-1269657	-10175	451	-37285	71500	-100	-0.14	14043287	49
31	20211007	1266151	-2661506	1391358	1821608	-90182	69692	-1689	5770	-407085	-2507	6504	-6756	71600	300	0.42	13683532	49
32	20211006	1374960	-1070439	-342467	244117	-24935	102550	1669	924	-599759	41544	-3598	-67033	71300	-900	-1.25	18956962	49
33	20211005	1783237	-3025584	1255911	1173732	-5740	62289	-47544	-9339	104473	-18889	5325	-21960	72200	-1000	-1.37	24013921	49

KRX에서 공매도 데이터 수집하기

Fri, 05 Nov 2021 00:00:00 GMT

이번 포스트에서는 KRX에서 개별종목 공매도 거래 및 개별종목 공매도 잔고 데이터를 파이썬으로 수집하는 방법을 다룹니다.

필요한 파이썬 라이브러리는 다음과 같습니다.

pip install requests
pip install numpy
pip install pandas

먼저 KRX 정보데이터시스템에서 다음 두 메뉴를 확인해 주세요.

통계 / 공매도 통계 / 공매도 거래 / 개별종목 공매도 거래
통계 / 공매도 통계 / 공매도 잔고 / 개별종목 공매도 잔고

개별종목 공매도 거래 데이터 수집하기

먼저 개별종목 공매도 거래 데이터를 받아오겠습니다. 크롬이나 웨일 브라우저에서 F12 키를 눌러 개발자 도구를 열어줍니다. 그리고 다음과 같이 Network 탭에서 Fetch/XHR 하위 탭을 확인합니다. 그리고 조회 버튼을 다시 누르면 아래에 getJsonData.cmd 내역이 뜨고 여기서 요청 정보를 확인할 수 있습니다.

여기서 Request URL, Request Headers, Form Data를 확인합니다. 다음과 같이 확인한 정보로 요청 준비를 합니다.

url = 'http://data.krx.co.kr/comm/bldAttendant/getJsonData.cmd'
headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'ko-KR,ko;q=0.9,en-US;q=0.8,en;q=0.7',
    'Connection': 'keep-alive',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Host': 'data.krx.co.kr',
    'Origin': 'http://data.krx.co.kr',
    'Referer': 'http://data.krx.co.kr/contents/MDC/MDI/mdiLoader/index.cmd?menuId=MDC0203',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.118 Whale/2.11.126.23 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}
data = [
    ('bld', 'dbms/MDC/STAT/srt/MDCSTAT30101'),
    ('searchType', '1'),
    ('mktId', 'STK'),
    ('secugrpId', 'STMFRTSCIFDRFS'),
    ('secugrpId', 'SRSW'),
    ('secugrpId', 'BC'),
    ('inqCond', 'STMFRTSCIFDRFSSRSWBC'),
    ('trdDd', '20211105'),
    ('share', '1'),
    ('money', '1'),
    ('csvxls_isNo', 'false'),
]

이렇게 준비한 url, headers, data로 requests 요청을 보냅니다. Request Method를 보면 POST를 확인할 수 있습니다.

import requests
res = requests.post(url, headers=headers, data=data)
res

Output: <Response [200]>

Status Code가 200으로 요청이 성공했음을 확인했습니다. 다음으로 받아온 데이터를 DataFrame으로 저장합니다.

import json
short_list = json.loads(res.text)['OutBlock_1']

import pandas as pd
df = pd.DataFrame(short_list)
df.columns = ['종목코드', '종목명', '증권구분', '공매도거래량', '공매도거래량업틱룰', '공매도거래량업틱룰예외', '거래량', '거래량비중', '공매도거래대금', '공매도거래대금업틱룰', '공매도거래대금업틱룰예외', '거래대금', '거래대금비중']

df

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
0	095570	AJ네트웍스	주권	0	0	0	59,739	0.00	0	0	0	335,609,280	0.00
1	006840	AK홀딩스	주권	0	0	0	20,225	0.00	0	0	0	508,366,000	0.00
2	027410	BGF	주권	147,290	0	147,290	8,276,904	1.78	959,076,130	0	959,076,130	54,013,149,770	1.78
3	282330	BGF리테일	주권	1,480	1,402	78	22,489	6.58	244,731,000	231,828,500	12,902,500	3,734,658,000	6.55
4	138930	BNK금융지주	주권	54,962	54,962	0	2,228,770	2.47	463,644,520	463,644,520	0	18,819,972,080	2.46
…	…	…	…	…	…	…	…	…	…	…	…	…	…
1028	069260	휴켐스	주권	72,498	72,073	425	1,137,325	6.37	1,919,680,550	1,908,522,050	11,158,500	30,290,522,850	6.34
1029	000540	흥국화재	주권	0	0	0	83,281	0.00	0	0	0	318,332,140	0.00
1030	000547	흥국화재2우B	주권	0	0	0	192	0.00	0	0	0	5,323,000	0.00
1031	000545	흥국화재우	주권	0	0	0	988	0.00	0	0	0	8,514,770	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

거래량비중으로 내림차순 정렬을 해보면 공매도 비중이 높은 종목 순위를 확인할 수 있습니다.

df.sort_values('거래량비중', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
51	294870	HDC현대산업개발	주권	54,935	54,935	0	562,433	9.77	1,353,057,750	1,353,057,750	0	13,880,230,400	9.75
1004	008770	호텔신라	주권	66,040	56,388	9,652	684,458	9.65	5,269,414,800	4,501,247,500	768,167,300	54,557,366,500	9.66
800	039490	키움증권	주권	4,561	4,071	490	47,299	9.64	484,180,000	432,296,500	51,883,500	5,018,881,500	9.65
813	003240	태광산업	주권	67	67	0	697	9.61	66,460,000	66,460,000	0	692,149,000	9.60
940	180640	한진칼	주권	5,587	4,961	626	58,832	9.50	315,127,600	279,921,100	35,206,500	3,317,193,800	9.50
…	…	…	…	…	…	…	…	…	…	…	…	…	…
433	007210	벽산	주권	2	0	2	3,489,885	0.00	8,060	0	8,060	14,442,649,335	0.00
434	002760	보락	주권	0	0	0	230,608	0.00	0	0	0	490,745,865	0.00
436	000890	보해양조	주권	0	0	0	1,282,073	0.00	0	0	0	1,233,822,775	0.00
438	001270	부국증권	주권	0	0	0	6,828	0.00	0	0	0	166,036,950	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

그런데 조금 이상합니다. 거래량비중이 생각보다 적고 9.XX 값이 상위에 랭크됩니다. 이는 데이터 형식이 문자열(str)로 되어 있을 때 자주 겪는 문제입니다. 다음과 같이 거래량비중 컬럼의 데이터 형식을 float로 변경합니다.

df['거래량비중'] = df['거래량비중'].astype(float)

다시 정렬 결과를 확인하면 다음과 같이 제대로된 랭킹이 된 것을 확인할 수 있습니다.

df.sort_values('거래량비중', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중
539	068270	셀트리온	주권	150,827	133,030	17,797	488,779	30.86	31,363,423,000	27,715,592,500	3,647,830,500	101,280,970,500	30.97
1024	081660	휠라홀딩스	주권	161,370	160,878	492	665,890	24.23	5,958,633,450	5,940,402,900	18,230,550	24,692,808,600	24.13
673	214320	이노션	주권	6,994	6,856	138	30,810	22.70	403,284,700	395,322,100	7,962,600	1,776,867,000	22.70
382	011170	롯데케미칼	주권	45,956	34,176	11,780	206,116	22.30	10,110,596,000	7,520,623,000	2,589,973,000	45,414,691,500	22.26
240	002350	넥센타이어	주권	27,712	25,176	2,536	125,204	22.13	208,348,430	189,322,060	19,026,370	941,065,640	22.14
…	…	…	…	…	…	…	…	…	…	…	…	…	…
433	007210	벽산	주권	2	0	2	3,489,885	0.00	8,060	0	8,060	14,442,649,335	0.00
434	002760	보락	주권	0	0	0	230,608	0.00	0	0	0	490,745,865	0.00
436	000890	보해양조	주권	0	0	0	1,282,073	0.00	0	0	0	1,233,822,775	0.00
438	001270	부국증권	주권	0	0	0	6,828	0.00	0	0	0	166,036,950	0.00
1032	003280	흥아해운	주권	0	0	0	1,114,059	0.00	0	0	0	3,560,429,545	0.00

개별종목 공매도 잔고 데이터 수집하기

이제 개별종목 공매도 잔고 데이터를 받아 보겠습니다. 비슷하게 요청 준비를 합니다.

url = 'http://data.krx.co.kr/comm/bldAttendant/getJsonData.cmd'
headers = {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Language': 'ko-KR,ko;q=0.9,en-US;q=0.8,en;q=0.7',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Origin': 'http://data.krx.co.kr',
    'Referer': 'http://data.krx.co.kr/contents/MDC/MDI/mdiLoader/index.cmd?menuId=MDC0201',
}
data = [
    ('bld', 'dbms/MDC/STAT/srt/MDCSTAT30501'),
    ('searchType', '1'),
    ('mktTpCd', '1'),
    ('trdDd', '20211102'),
    ('share', '1'),
    ('money', '1'),
    ('csvxls_isNo', 'false'),
]

res = requests.post(url, headers=headers, data=data)
res

Output: <Response [200]>

다음과 같이 받아온 데이터를 DataFrame으로 변환합니다.

df_shortbalance = pd.DataFrame(json.loads(res.text)['OutBlock_1'])
df_shortbalance

index	ISU_CD	ISU_ABBRV	BAL_QTY	LIST_SHRS	BAL_AMT	MKTCAP	BAL_RTO
0	095570	AJ네트웍스	34,255	46,822,295	190,115,250	259,863,737,250	0.07
1	006840	AK홀딩스	4,593	13,247,561	121,484,850	350,397,988,450	0.03
2	027410	BGF	48,440	95,716,791	279,014,400	551,328,716,160	0.05
3	282330	BGF리테일	5,016	17,283,906	825,132,000	2,843,202,537,000	0.03
4	138930	BNK금융지주	524,715	325,935,246	4,601,750,550	2,858,452,107,420	0.16
…	…	…	…	…	…	…	…
934	069260	휴켐스	953,658	40,878,588	26,320,960,800	1,128,249,028,800	2.33
935	000540	흥국화재	33,301	64,242,645	129,540,890	249,903,889,050	0.05
936	000547	흥국화재2우B	0	153,600	0	4,331,520,000	0.00
937	000545	흥국화재우	0	768,000	0	6,673,920,000	0.00
938	003280	흥아해운	84,187	240,424,899	311,070,965	888,370,001,805	0.04

df_shortbalance.columns = ['종목코드', '종목명', '공매도잔고수량', '상장주식수', '공매도잔고금액', '시가총액', '비중']
df_shortbalance

index	종목코드	종목명	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중
0	095570	AJ네트웍스	34,255	46,822,295	190,115,250	259,863,737,250	0.07
1	006840	AK홀딩스	4,593	13,247,561	121,484,850	350,397,988,450	0.03
2	027410	BGF	48,440	95,716,791	279,014,400	551,328,716,160	0.05
3	282330	BGF리테일	5,016	17,283,906	825,132,000	2,843,202,537,000	0.03
4	138930	BNK금융지주	524,715	325,935,246	4,601,750,550	2,858,452,107,420	0.16
…	…	…	…	…	…	…	…
934	069260	휴켐스	953,658	40,878,588	26,320,960,800	1,128,249,028,800	2.33
935	000540	흥국화재	33,301	64,242,645	129,540,890	249,903,889,050	0.05
936	000547	흥국화재2우B	0	153,600	0	4,331,520,000	0.00
937	000545	흥국화재우	0	768,000	0	6,673,920,000	0.00
938	003280	흥아해운	84,187	240,424,899	311,070,965	888,370,001,805	0.04

이번에는 비중 컬럼으로 내림차순 정렬을 해봅니다. 마찬가지로 문자열 정렬 문제가 있을 수 있으므로 이 컬럼을 float으로 변환하고 정렬합니다.

df_shortbalance['비중'] = df_shortbalance['비중'].astype(float)
df_shortbalance.sort_values('비중', ascending=False)

index	종목코드	종목명	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중
78	034220	LG디스플레이	28,935,291	357,815,700	568,578,468,150	7,031,078,505,000	8.09
339	032350	롯데관광개발	4,726,867	69,275,662	94,300,996,650	1,382,049,456,900	6.82
910	008770	호텔신라	2,462,557	39,248,121	198,974,605,600	3,171,248,176,800	6.27
46	011200	HMM	20,968,085	405,392,487	574,525,529,000	11,107,754,143,800	5.17
523	019170	신풍제약	2,499,527	52,984,990	128,225,735,100	2,718,129,987,000	4.72
…	…	…	…	…	…	…	…
313	030720	동원수산	0	4,653,805	0	45,886,517,300	0.00
315	014825	동원시스템즈우	0	265,358	0	8,809,885,600	0.00
644	000230	일동홀딩스	0	11,540,400	0	156,949,440,000	0.00
316	163560	동일고무벨트	0	13,900,000	0	116,760,000,000	0.00
261	006340	대원전선	0	71,016,967	0	142,033,934,000	0.00

공매도 거래와 공매도 잔고 데이터 합치기

이제 두 데이터를 합쳐서 확인해 보겠습니다. df는 공매도 거래 데이터이고 df_shortbalance는 공매도 잔고 데이터입니다. 이들 둘을 pandas merge() 메소드로 합치겠습니다.

_df = df.merge(df_shortbalance, how='outer', on='종목코드', suffixes=('', '_dup'))

이 데이터로 다양한 분석을 해볼 수 있겠습니다. 여기서는 공매도 잔고는 많으면서 공매도 거래는 적은 순으로 정렬해 봅니다.

_df['score'] = _df['비중'] / (_df['거래량비중'] + 1)
_df.sort_values('score', ascending=False)

index	종목코드	종목명	증권구분	공매도거래량	공매도거래량업틱룰	공매도거래량업틱룰예외	거래량	거래량비중	공매도거래대금	공매도거래대금업틱룰	공매도거래대금업틱룰예외	거래대금	거래대금비중	종목명_dup	공매도잔고수량	상장주식수	공매도잔고금액	시가총액	비중	score
97	034220	LG디스플레이	주권	4,420	2,290	2,130	1,949,194	0.23	89,668,950	46,585,150	43,083,800	39,626,663,800	0.23	LG디스플레이	28,935,291	357,815,700	568,578,468,150	7,031,078,505,000	8.09	6.577236
620	097520	엠씨넥스	주권	30	0	30	83,676	0.04	1,333,050	0	1,333,050	3,713,085,850	0.04	엠씨넥스	435,409	17,963,282	19,332,159,600	797,569,720,800	2.42	2.326923
370	032350	롯데관광개발	주권	17,567	16,928	639	882,332	1.99	324,702,700	312,941,650	11,761,050	16,281,919,250	1.99	롯데관광개발	4,726,867	69,275,662	94,300,996,650	1,382,049,456,900	6.82	2.280936
699	006490	인스코비	주권	675	0	675	1,384,422	0.05	2,285,320	0	2,285,320	4,702,224,255	0.05	인스코비	1,824,640	109,848,100	6,541,334,400	393,805,438,500	1.66	1.580952
578	003620	쌍용차	주권	0	0	0	0	0.00	0	0	0	0	0.00	쌍용차	2,180,965	149,840,002	6,041,273,050	415,056,805,540	1.46	1.460000
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
983	75701B93	현대유퍼스트부동산25호 A	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
984	75702B93	현대유퍼스트부동산25호 C-i	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
985	75701BA7	현대유퍼스트부동산30호[파생형] A	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN	NaN	NaN	NaN
986	75702BA7	현대유퍼스트부동산30호[파생형] C-i	수익증권	0	0	0	0	0.00	0	0	0	0	0.00	NaN	NaN	NaN	NaN

공매도 잔고가 많다는 것은 다시 상환해야 할 물량이 많다는 것이고 동시에 공매도 거래 비중이 적다면 주가가 바닥에 가까워 졌다고 추측해 볼 여지가 있습니다. 주식 거래에서 확실한 것은 없습니다. 다양한 금융데이터 분석을 통해 성공적인 투자에 한걸음씩 다가가는 것이 중요하다고 봅니다.

퀀티랩 종목분석 기능 소개 (feat. 삼성전자 종목분석)

Sat, 25 Sep 2021 00:00:00 GMT

이번 포스트에서는 퀀티랩 종목분석에서 제공하는 데이터들을 소개하고자 합니다.

현재 퀀티랩 종목분석에서는 회사 기본정보, 퀀티랩 모델로 판단한 종목랭킹 추이, 일봉차트, MACD, RSI, 재무제표, PER, PBR, ROE, 공매도, 투자 주체별 수급 분석, 일봉수급점수를 제공합니다.

삼성전자 종목분석 페이지를 예로 각 항목을 살펴보겠습니다.

우선 삼성전자의 기본정보를 보여줍니다.

코스피인지 코스닥인지, 업종과 주요제품은 무엇인지 등을 보여줍니다.

QL 모델(퀀티랩 중장기 모델)의 종목랭킹 변화를 확인할 수 있습니다. 8월초 주가 급락에 따라 순위가 하락했다가 최근 다시 상위권으로 회복한 모습입니다.

기술적분석에서는 일봉 차트와 이동평균선, 볼린저밴드를 함께 보여주고 그 아래에 MACD, RSI 차트도 보여줍니다. MACD 상으로는 주가 급락 이후 8월 중순쯤 MACD 신호를 돌파하면서 매수타이밍으로 판단할 수 있고 RSI 상으로도 비슷한 시점을 과냉 상태로 볼 수 있어서 매수를 고려해볼 수 있습니다. 다만 기술적분석만으로 투자에 임하는 것은 매우 위험함을 말씀드립니다.

기본적분석은 재무제표와 PER, PBR, ROE 지표를 주로 봅니다.

재무제표의 재무상태표, 손익계산서, 현금흐름표에서 주요 계정들을 뽑아서 다음과 같이 차트로 보여줍니다.

삼성전자의 재무 상태는 매우 좋습니다. 300조에 육박하는 자본을 가지고 있다는 것에 놀라울 따름입니다. 당기순이익을 보면 성장이 약간 둔화된 듯 보여서 아쉬움은 있습니다. 현금흐름도 아주 안정적입니다. 재무제표 보는 법에 대해서는 이 포스트를 참고해 주세요.

수익성, 안정성, 성장성 지표로 주로 사용되는 PER, PBR, ROE를 차트로 보여줍니다.

성장주들에 비한다면야 PER도 그렇게 높지 않고 물리적인 자산이 많은걸 감안해도 PBR은 상당히 낮아서 상승여력은 충분해 보입니다.

그리고 수급분석에서는 공매도 현황과 기관/외국인/개인들의 순매수/순매도량을 보여주고 일봉에서 계산한 수급 점수인 일봉수급점수를 보여줍니다.

다음은 공매도 현황을 보여줍니다. 공매도는 주식을 빌려서 파는 행위를 말합니다. 공매도자는 주가가 하락하면 수익이 생깁니다.

공매도 잔고(위 차트)는 주식을 빌려서 판 후에 아직 갚지 않은 주식수 입니다.
공매도량(아래 차트)은 빌려서 판 주식 수 입니다.

삼성전자의 경우 공매도가 많은 상황은 아닌 것으로 보입니다.

다음 차트는 투자 주체(기관/외국인/개인)들의 순매수/순매도량은 보여줍니다.

삼성전자를 외국인이 8월초에 대량 매도하고 그걸 개인이 대부분 받은 것을 볼 수 있습니다.

다음은 일봉수급점수 차트입니다.

일봉수급점수는 240일, 120일, 60일, 20일, 10일, 5일 동안의 거래 강도를 나타냅니다. 1에 가까울수록 매수세가, -1에 가까울수록 매도세가 강했음을 의미합니다.

삼성전자의 일봉수급점수는 매도세가 약간 강한 상태로 유지 중입니다.

그럼 여기까지 퀀티랩 종목분석 기능소개를 마치겠습니다.

앞으로도 유익한 데이터를 많이 생성해서 제공할 것이니 퀀티랩에 많은 관심 부탁드립니다.

퀀티랩 Long-Term Trading (QL) 모델 개선 작업

Sun, 19 Sep 2021 00:00:00 GMT

퀀티랩 주식투자 대표 모델인 Quantylab Long-Term Trading (QL) 모델을 업데이트 했습니다. 기존 모델에 비해 다양한 시장지표 및 종목지표를 추가하고 레이블링을 조정하는 작업이었습니다.

Feature 수는 412개로 326개 시장지표 자질과 86개 종목지표 자질로 구성했습니다. 각종 지표에 Moving Average 등을 적용하여 자질 수는 부풀려진 면이 있습니다.

시장지표는 코스피/코스닥 지수, 해외 주식 시장 지수, 환율, 채권, 금리, 원자재, GSCI, 달러 지수, BDI, 필라델피아 반도체 지수, 미국시장 변동성 지수, MSCI 지수 등을 포함합니다. 종목지표는 종목 주가, 거래량, 시가총액, Bollinger Band, MACD, RSI, 수급, PER, PBR, ROE, 배당수익률, 기관/외국인/개인 수급, 공매도 비율, 대차잔고액 등을 포함합니다. 이들 시장지표 및 종목지표 자질들을 모아서 표준화 (Standardization) 했습니다.

레이블링은 수익성, 변동성, 거래규모 지표를 만들어 조합했습니다. 수익성 지표는 중장기 기간에서 종가의 변곡점을 찾아서 현재 종가와 다음 변곡점과의 차이를 기대 수익률로 삼았습니다. 변동성 지표는 변곡점 사이에서의 표준편차로 구했습니다. 거래규모 지표는 종목의 거래대금에 log를 취해 사용했습니다.

이렇게 자질과 레이블링을 마치고 적당히 심층신경망 레이어를 구성하여 학습했습니다. 중간에 이런저런 실수로 시행착오를 겪었지만 다 생략하고 결과를 바로 공유하려 합니다.

학습에는 2015~2019년 기간내의 데이터를 사용했습니다. 이렇게 학습한 모델로 2020년부터 현재까지 일단위로 종목 점수를 구하여 매수/매도를 판단해서 종가매매 백테스팅을 수행했습니다. 즉, 학습과 백테스팅 데이터가 겹쳐지지 않게하여 의미있는 백테스팅이 되도록 했습니다.

백테스팅 결과 2020년 부터 2021-09-17 까지의 평가 수익률은 +73.07%로 동기간 코스피 대비 30% 정도 높았습니다. QL 모델로 매수/매도를 판단한 내역은 다음과 같습니다.

날짜	매매	종목명	단가	수량	수익률	평가총액
2021-08-19	매도	현대자동차	206,500	58	+20.41%	173,831,949
2021-05-06	매수	LG전자	151,500	66		177,219,388
2021-05-06	매수	SK케미칼	256,000	39		177,220,888
2021-05-06	매수	LG화학	938,000	10		177,222,386
2021-05-06	매도	포스코	395,500	51	+103.87%	177,223,793
2021-03-23	매도	현대모비스	286,500	49	+40.79%	172,520,635
2021-03-23	매수	셀트리온	292,500	34		172,517,645
2021-03-23	매수	삼성전기	185,000	54		172,519,136
2021-01-13	매도	삼성SDI	754,000	26	+100.80%	178,728,737
2021-01-08	매도	삼성전기	193,000	112	+116.37%	179,837,188
2020-11-16	매도	NAVER	278,000	55	+53.17%	148,783,070
2020-09-24	매수	SK텔레콤	230,500	43		136,101,988
2020-09-24	매수	현대자동차	171,500	58		136,103,475
2020-09-24	매수	케이티앤지	80,400	124		136,104,967
2020-09-24	매도	셀트리온	245,502	61	+51.06%	136,106,463
2020-08-03	매도	LG화학	635,000	31	+102.23%	137,605,846
2020-07-24	매수	현대모비스	203,500	49		131,218,600
2020-07-24	매수	포스코	194,000	51		131,215,651
2020-07-24	매수	삼성SDI	375,500	26		131,217,135
2020-07-24	매도	엔씨소프트	802,000	17	+41.95%	131,220,096
2020-06-29	매도	SK케미칼	134,500	163	+120.49%	128,438,310
2020-03-23	매수	삼성전기	89,200	112		81,295,074
2020-03-23	매도	케이티앤지	63,600	108	-31.24%	81,296,573
2020-03-17	매수	SK케미칼	61,000	163		85,736,761
2020-03-17	매도	현대자동차	80,100	84	-32.12%	85,738,252
2020-03-16	매도	삼성SDI	253,000	43	+10.48%	86,948,811
2020-03-16	매도	포스코	162,000	42	-31.36%	86,977,640
2020-03-16	매수	삼성전자	48,900	204		86,945,828
2020-03-16	매수	셀트리온	162,522	61		86,947,324
2020-03-13	매도	현대모비스	171,500	40	-30.71%	91,169,271
2020-01-03	매수	이마트	122,500	81		99,845,350
2020-01-03	매수	NAVER	181,500	55		99,846,838
2020-01-03	매수	케이티앤지	92,500	108		99,848,336
2020-01-03	매수	삼성SDI	229,000	43		99,849,834
2020-01-03	매수	엔씨소프트	565,000	17		99,851,311
2020-01-02	매수	LG화학	314,000	31		99,994,081
2020-01-02	매수	현대모비스	247,500	40		99,995,541
2020-01-02	매수	현대자동차	118,000	84		99,997,026
2020-01-02	매수	LG생활건강	1,266,000	7		99,992,752
2020-01-02	매수	포스코	236,000	42		99,998,513

퀀티랩에서 매일 올라오는 QL 모델의 매매내역과 보유종목을 확인해 보세요.

[2021-08-13] 공매도 상위 종목 살펴보기

Sun, 15 Aug 2021 00:00:00 GMT

공매도는 주식을 빌려서 파는 행위를 말합니다. 주가가 하락한다는 쪽에 베팅하는 것입니다. 이러한 베팅을 숏(Short) 포지션 취한다고 합니다. 주가가 하락할 것이라고 예상하고 주식을 빌려서 현재 가격에 매도하고 주가가 떨어졌을 때 다시 매수해서 빌린 주식을 갚는 것입니다.

공매도는 2020년 3월에 주가 급락을 막기 위해 금지됐었습니다. 그렇게 1년 2개월간 금지된 공매도가 2021년 5월에 재개됐습니다. 공매도는 개인투자자들이 하기 어렵고 그만큼 개인투자자들의 공매도에 대한 부정적인 인식이 강합니다.

공매도가 많다고 해서 주가가 꼭 하락한다는 보장은 없지만 공매도의 현황을 파악해 놓는 것은 중요하다고 생각합니다. 공매도의 추세가 증가하면 가급적 매수를 자제하는 것이 좋다고 생각합니다. 다만 공매도가 많다가 줄어드는 추세이고 대차잔고가 많은 상태면 주가가 바닥권이라는 예측을 해볼 수도 있습니다. 대차잔고는 주식을 빌리고 아직 갚지 않은 주식 수를 의미합니다. 즉, 대차잔고만큼 앞으로 매수가 이뤄질 것이란 의미입니다.

퀀티랩 종목지표/공매도 메뉴에서 종목별 공매도 현황을 표로 확인할 수 있습니다.

이 포스트에서는 2021-08-13 기준으로 공매도율, 대차잔고율, 대차잔고액 순위를 살펴보겠습니다.

공매도율 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
티씨케이	173,400	-1.64	137,556	25.57
넷마블	127,000	-3.79	1,398,730	25.51	9,808,533	0.85
하림지주	9,580	-1.54	65,510	22.83
SK머티리얼즈	432,000	-1.5	508,959	21.26
휴온스	61,400	-1.76	76,527	19.85
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
엔씨소프트	786,000	-2.48	1,563,723	18.7	7,751,709	0.43
리노공업	172,400	0.17	151,018	18.69
CJ대한통운	165,500	-2.07	189,097	18.43	845,591	0.22
GS리테일	33,200	-1.92	443,432	18.12	711,763	0.2
고영	23,450	-2.09	84,659	17.43
주성엔지니어링	13,050	-1.14	326,588	17.19
SK텔레콤	306,000	-2.08	1,344,422	17.12	8,681,719	0.4
동국제약	24,700	-1.79	71,298	17.11
팬오션	7,410	-4.39	1,044,217	16.94	4,016,525	1.03
하나투어	75,600	-2.45	265,633	16.83	1,204,780	1.09
S-Oil	93,800	-1.37	360,719	16.51	2,908,925	0.28
제일기획	23,200	-0.22	108,406	15.71	429,828	0.16
이오테크닉스	112,700	-3.1	153,843	15.5
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.7

대차잔고율 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
롯데관광개발	18,900	-2.07	56,884	6.66	9,874,871	7.25
LG디스플레이	20,800	-3.48	971,078	11.97	50,027,642	6.31
신풍제약	66,800	-6.96	867,669	3.59	14,668,319	4.31
HMM	39,150	-3.69	100,346	0.45	64,919,667	4.13
엠씨넥스	45,500	-1.62	27	0.00	3,234,984	3.81
삼성중공업	6,170	-2.68	179,177	5.73	15,810,589	3.73
OCI	107,000	-3.60	178,287	2.69	8,522,111	3.18
셀트리온	275,500	-2.13	960,199	4.45	112,924,125	3.03
부광약품	20,400	-2.86	65,716	3.80	4,234,188	2.84
일양약품	34,150	-1.73	31,317	7.04	1,721,090	2.58
호텔신라	90,000	-2.39	313,553	6.93	9,290,901	2.57
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
두산퓨얼셀	48,400	-2.22	38,571	1.53	8,021,749	2.43
한전기술	48,150	-3.89	42,456	2.39	3,857,609	1.99
GKL	15,700	-1.26	43,621	8.02	1,931,880	1.93
삼양식품	87,800	-0.79	19,858	6.28	1,279,720	1.90
인스코비	4,325	14.57	880	0.01	686,171	1.79
씨에스윈드	80,100	-2.44	300,555	8.81	5,912,298	1.77
CJ CGV	28,750	-2.87	46,465	2.57	1,942,759	1.72
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.70

대차잔고액 Top 20

종목명	주가	등락율(%)	공매도액(만원)	공매도율(%)	대차잔고액(만원)	대차잔고율(%)
셀트리온	275,500	-2.13	960,199	4.45	112,924,125	3.03
HMM	39,150	-3.69	100,346	0.45	64,919,667	4.13
LG디스플레이	20,800	-3.48	971,078	11.97	50,027,642	6.31
현대자동차	217,000	-0.91	654,372	3.51	32,678,479	0.70
삼성바이오로직스	983,000	1.13	683,405	4.81	20,547,059	0.33
아모레퍼시픽	220,500	-1.78	388,536	10.83	17,527,987	1.32
삼성중공업	6,170	-2.68	179,177	5.73	15,810,589	3.73
금호석유화학	192,500	-2.53	1,408,193	18.88	14,948,029	2.48
LG생활건강	1,444,000	1.62	498,012	7.06	14,773,656	0.66
신풍제약	66,800	-6.96	867,669	3.59	14,668,319	4.31
SK이노베이션	248,500	2.69	1,440,198	5.32	14,506,495	0.65
LG화학	896,000	2.05	1,345,033	3.79	14,318,371	0.24
한화솔루션	38,700	-2.27	564,867	15.41	12,955,934	1.70
카카오	146,000	-1.02	2,591,342	8.29	12,739,610	0.20
포스코케미칼	155,000	1.31	1,070,661	14.55	12,592,228	1.05
한국조선해양	119,000	-0.83	93,640	2.25	10,713,972	1.22
롯데관광개발	18,900	-2.07	56,884	6.66	9,874,871	7.25
두산중공업	20,800	-4.15	215,178	1.67	9,809,839	0.89
넷마블	127,000	-3.79	1,398,730	25.51	9,808,533	0.85
삼성전자	74,400	-3.38	13,590,049	3.00	9,771,279	0.02

여기서 대차잔고액은 높은데 공매도율은 낮은 종목으로는 HMM이 있습니다. HMM의 공매도 흐름을 살펴보면 다음과 같습니다.

7월달을 보면 공매도율이 무려 25% 가까이 있었다는 것을 알 수 있습니다. 이 공매도 물량을 언제 상환할 지는 모르겠지만 최근 공매도율은 낮아진 것으로 보입니다.

여기에 BDI 역시 높은 상황이라 HMM이 다시 올라갈 여지도 있어 보입니다.

주요 MSCI 지수 차트 한꺼번에 보기

Sat, 07 Aug 2021 00:00:00 GMT

MSCI 지수는 모건스탠리캐피탈인터내셔널(MSCI)에서 발표하는 선진국/신흥국, 지역, 국가 기준의 주식 종합 지수입니다. MSCI 지수는 많은 펀드들이 추종하고 있어서 주식투자에 있어서 매우 중요한 지수입니다.

한국의 코스피, 미국의 S&P 500, 일본의 닛케이, 중국의 상해종합지수, 홍콩의 항셍지수 등 각 국가별로 주식 종합 지수가 존재합니다. 그럼 “왜 굳이 MSCI 지수가 필요하지?”라는 의문이 생길 수 있습니다. 각 국가에서 주식종합지수를 만드는 방법이 다르기 때문에 획일화된 방법으로 각 국가의 지수를 만들어야할 필요가 생겼습니다. 이에 모건스탠리캐피탈인터내셔널(MSCI)에서 이 역할을 수행하는 것입니다.

MSCI는 국가별 뿐만 아니라 지역(아시아, 아메리카, 유럽 등) 별로 또는 선진국/신흥국 별로 주식종합지수를 만들기도 합니다.

매우 다양한 MSCI 지수들 중에서 한국 주식 투자에 주로 참고해야 할 주요 MSCI 지수들의 차트를 퀀티랩에서 한꺼번에 볼 수 있습니다. 시장지표 / MSCI 메뉴에서 다은과 같은 차트들을 볼 수 있습니다.

MSCI WORLD는 23개 선진 국가 주식 시장을 대상으로 합니다.
MSCI WCWI는 23개 선진 국가와 27개 신흥 국가 주식 시장을 대상으로 합니다.
MSCI EM은 26개 신흥 국가 주식 시장을 대상으로 합니다.
그 외는 각 국가별 지수 입니다.

각 지수에 포함된 국가 수, 종목, 비중 등은 변경될 수 있습니다.

한국/미국 금리 차트 보기

Sat, 31 Jul 2021 00:00:00 GMT

앞서 퀀티랩에서 해외증시, 환율, 원자재 차트를 볼 수 있다고 소개 드렸는데, 중요한 지표인 금리가 빠져 있었습니다. 이제 한국과 미국 금리 차트도 퀀티랩에서 확인할 수 있습니다.

시장지표 / 금리 메뉴에서 금리 관련 차트들을 볼 수 있습니다.

현재는 한국 기준 금리, 미국 기준 금리, 미국 10년물 국채 금리를 볼 수 있는데 앞으로 한국 국채 금리를 포함해 다양한 금리 데이터도 추가될 예정입니다.

추가되었으면 하는 데이터가 있다면 메일, 카페 등의 채널을 통해 요청해 주시면 최대한 서비스에 반영하도록 하겠습니다.

해외증시, 환율, 원자재 차트 한눈에 보기

Sun, 13 Jun 2021 00:00:00 GMT

퀀티랩에서 해외증시, 환율, 원자재 차트들을 볼 수 있습니다. 이러한 시장 지표들의 추세를 잘 확인하면 주식 투자에 큰 도움이 될 것입니다.

퀀티랩의 시장지표 메뉴를 누르면 나오는 해외증시, 환율, 원자재 하위 메뉴로 차트들을 볼 수 있습니다.

해외증시는 변동성지수 VIX와 다우산업, 나스닥종합, S&P 500, 니케이 225, 상해종합, 항셍, 영국 FTSE 100, 프랑스 CAC 40, 독일 DAX 30을 볼 수 있습니다. VIX는 S&P 500 지수 옵션의 30일 뒤의 기대 변동성을 입니다.

환율 페이지에서는 미달러, 유로, 엔, 위안, 홍콩달러 환율을 볼 수 있습니다.

원자재 페이지에서는 대표적인 원자재지수인 GSCI를 비롯해 다양한 원자재 선물의 차트들을 한눈에 보여줍니다.

대신증권 크레온 API로 매수/매도 주문 넣고 확인하기

Sun, 06 Jun 2021 00:00:00 GMT

이번 포스트에서는 대신증권 크레온 API로 주식 주문을 내고 실시간으로 체결을 확인하고 주문 내역을 조회하는 방법을 다룹니다.

매수/매도 주문 내기

먼저 매수 또는 매도 주문을 내는 방법을 알아보겠습니다. 주문은 크레온 API의 CpTrade.CpTd0311 모듈을 사용하면 됩니다.

다음과 같이 order() 함수를 선언하고, action, code, amount를 매수/매도 구분, 주문할 종목 코드, 주식 수로 각각 입력 받도록 했습니다. 물론 더 다양한 입력을 받을 수 있게 이 함수를 수정할 수 있습니다.

import win32com.client


class Creon:
    def __init__(self):
        self.orderevent_handler = None

    def order(self, action, code, amount):
        if not code.startswith('A'):
            code = 'A' + code
        account_no, account_gflags = self.init_trade()
        self.obj_CpTrade_CpTd0311.SetInputValue(0, action)  # 1: 매도, 2: 매수
        self.obj_CpTrade_CpTd0311.SetInputValue(1, account_no)  # 계좌번호
        self.obj_CpTrade_CpTd0311.SetInputValue(2, account_gflags[0])  # 상품구분
        self.obj_CpTrade_CpTd0311.SetInputValue(3, code)  # 종목코드
        self.obj_CpTrade_CpTd0311.SetInputValue(4, amount)  # 매수수량
        self.obj_CpTrade_CpTd0311.SetInputValue(8, '03')  # 시장가
        result = self.obj_CpTrade_CpTd0311.BlockRequest()
        if result != 0:
            print('order request failed.', file=sys.stderr)
        status = self.obj_CpTrade_CpTd0311.GetDibStatus()
        msg = self.obj_CpTrade_CpTd0311.GetDibMsg1()
        if status != 0:
            print('order failed. {}'.format(msg), file=sys.stderr)

    def buy(self, code, amount):
        return self.order('2', code, amount)

    def sell(self, code, amount):
        return self.order('1', code, amount)

매수할 때는 buy() 함수를 호출해서 action을 2로 지정하고, 매도할 때는 sell() 함수를 호출해서 action을 1로 지정하도록 했습니다.

여기서는 시장가로 매수/매도를 하도록 했는데 지정가, 최유리지정가, 최우선지정가 등으로 변경할 수 있습니다. 이 부분은 CpTrade.CpTd0311 문서에서 SetInputValue의 8 - (string) 주문호가구분코드 항목을 함고하시기 바랍니다.

이렇게 매수 또는 매도 주문을 넣고 체결 되었을 때 다음과 같이 이벤트를 받을 수 있습니다.

class Creon:
    def subscribe_orderevent(self, cb):
        obj = win32com.client.Dispatch('Dscbo1.CpConclusion')
        handler = win32com.client.WithEvents(obj, OrderEventHandler)
        handler.set_attrs(obj, cb)
        self.orderevent_handler = obj
        obj.Subscribe()

    def unsubscribe_orderevent(self):
        if self.orderevent_handler is not None:
            self.orderevent_handler.Unsubscribe()
            self.orderevent_handler = None


class OrderEventHandler(EventHandler):
    def OnReceived(self):
        item = {
            '계좌명': self.obj.GetHeaderValue(1),
            'name': self.obj.GetHeaderValue(2),
            '체결수량': self.obj.GetHeaderValue(3),
            '체결가격': self.obj.GetHeaderValue(4),
            '주문번호': self.obj.GetHeaderValue(5),
            '원주문번호': self.obj.GetHeaderValue(6),
            '계좌번호': self.obj.GetHeaderValue(7),
            '상품관리구분코드': self.obj.GetHeaderValue(8),
            '종목코드': self.obj.GetHeaderValue(9),
            '매매구분코드': self.obj.GetHeaderValue(12),
            '체결구분코드': self.obj.GetHeaderValue(14),
            '체결구분코드': self.obj.GetHeaderValue(14),
            '체결구분코드': self.obj.GetHeaderValue(14),
            '현금신용대용구분코드': self.obj.GetHeaderValue(17),
        }
        self.cb(item)

subscribe_orderevent() 함수를 호출해서 체결 이벤트를 실시간으로 받아올 수 있습니다. 매수/매도 주문이 체결되면 지정된 콜백 함수 cb로 체결 정보를 전송합니다. 이를 위해서 OrderEventHandler 클래스를 선언했고, 이 클래스의 OnReceived() 함수에서 체결 정보를 cb에 전송합니다.

다음과 같이 지금까지 주문한 내역을 확인할 수도 있습니다.

class Creon:
    def __init__(self, account_no=''):
            self.obj_CpTrade_CpTd5341 = win32com.client.Dispatch('CpTrade.CpTd5341')

    def get_trade_history(self):
        account_no, account_gflags = self.init_trade()
        self.obj_CpTrade_CpTd5341.SetInputValue(0, account_no)
        self.obj_CpTrade_CpTd5341.SetInputValue(1, account_gflags[0])  # 상품구분

        _fields = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 16, 17, 18, 19, 22, 24]
        _keys = [
            '상품관리구분코드', '주문번호', '원주문번호', '종목코드', '종목이름',
            '주문내용', '주문호가구분코드내용', '주문수량', '주문단가', '총체결수량',
            '체결수량', '체결단가', '확인수량', '정정취소구분내용 ', '거부사유내용',
            '채권매수일', '거래세과세구분내용', '현금신용대용구분내용', '주문입력매체코드내용',
            '정정취소가능수량', '매매구분',
        ]

        result = self.request(self.obj_CpTrade_CpTd5341, dict(zip(_fields, _keys)), cntidx=6)
        return result

주문 이후에 get_trade_history() 함수를 호출하면 다음과 같이 매수/매도 주문에 대한 정보들을 받아올 수 있습니다. 여기서는 삼성전자를 10주씩 매수->매도->매수한 다음 get_trade_history() 함수를 호출한 결과 입니다.

{'data': [{'상품관리구분코드': '10', '주문번호': 6095, '원주문번호': 0, '종목코드': 'A005930', '종목이름': '삼성전자', '주문내용': '정규장현금매수', '주문호가구분코드내용': '시장가', '주문수량': 10, '주문단가': 0, '총체결수량': 10, '체결수량': 10, '체결단가': 82430, '확인수량': 0, '정정취소구분내용 ': '정상주문', '거부사유내용': '', '채권매수일': '', '거래세과세구분내용': '', '현금신용대용구분내용': '', '주문입력매체코드내용': 'C8', '정정취소가능수량': 0, '매매구분': '매수'}, {'상품관리구분코드': '10', '주문번호': 6099, '원주문번호': 0, '종목코드': 'A005930', '종목이름': '삼성전자', '주문내용': '정규장현금매도', '주문호가구분코드내용': '시장가', '주문수량': 10, '주문단가': 0, '총체결수량': 10, '체결수량': 10, '체결단가': 82500, '확인수량': 0, '정정취소구분내용 ': '정상주문', '거부사유내용': '', '채권매수일': '', '거래세과세구분내용': '', '현금신용대용구분내용': '', '주문입력매체코드내용': 'C8', '정정취소가능수량': 0, '매매구분': '매도'}, {'상품관리구분코드': '10', '주문번호': 6121, '원주문번호': 0, '종목코드': 'A005930', '종목이름': '삼성전자', '주문내용': '정규장현금매수', '주문호가구분코드내용': '시장가', '주문수량': 10, '주문단가': 0, '총체결수량': 10, '체결수량': 10, '체결단가': 82500, '확인수량': 0, '정정취소구분내용 ': '정상주문', '거부사유내용': '', '채권매수일': '', '거래세과세구분내용': '', '현금신용대용구분내용': '', '주문입력매체코드내용': 'C8', '정정취소가능수량': 0, '매매구분': '매수'}]}

퀀티랩 systrader 프로젝트에서 전반적인 시스템 트레이딩 코드를 공개하고 있습니다. 앞으로 시스템 트레이딩에 필요한 주요 기능들을 퀀티랩 Github systrader 리포지토리에서 오픈소스로 개발해 나갈 예정입니다.

SysTrader의 주요 TODO 태스크는 다음과 같습니다.

주요 시스템 트레이딩 기능 구현
딥러닝 모델 기반 자동 매매
PyQt5 기반의 GUI 개발
매매 현황 리포팅

관심 있으신 모든 분들께서 이 프로젝트에 참여해 주시면 감사하겠습니다. SysTrader는 모든 개미들을 위한 견고한 시스템 트레이딩 솔루션이 되는 것을 목표로 합니다.

2021년 신규 상장 공모주

Tue, 04 May 2021 00:00:00 GMT

2021년은 많은 대어급 기업들의 IPO(기업공개, initial public offering)가 예정되어 있습니다. 며칠 전 있었던 SK아이이테크놀로지의 청약은 엄청난 흥행으로 마쳤습니다. 확정 공모가는 105,000원이고 청약 경쟁률은 288:1에 달했습니다.

이번 포스트에서는 2021년에 공모일정이 나와있고 앞으로 공모가 예정되어 있는 기업들을 알아보겠습니다.

다음 표는 공모일정이 나와있는 기업들 입니다. SK바이오사이언스와 SK아이이테크놀로지가 엄청난 흥행으로 공모를 마친 바 있습니다.

종목명	신규상장일	공모시작	공모종료	희망공모가	확정공모가	청약경쟁률
아모센스		20210615	20210616	13,300~16,300
엘비루셈	20210611	20210602	20210603	12,000~14,000
에이디엠코리아		20210525	20210526	2,900~3,300
제주맥주		20210513	20210514	2,600~2,900
진시스템		20210513	20210514	16,000~20,000
삼영에스앤씨		20210511	20210512	7,800~10,000
NH스팩19호(유가)		20210511	20210512	2,000~2,000
삼성스팩4호		20210511	20210512	2,000~2,000
샘씨엔에스		20210510	20210511	5,000~5,700
라온테크		20210510	20210511	12,800~15,800
씨앤씨인터내셔널	20210517	20210506	20210507	35,000~47,500
에이치피오	20210514	20210503	20210504	22,200~25,400	22,200
하이스팩6호	20210510	20210428	20210429	2,000~2,000	2,000	7.63:1
SK아이이테크놀로지(유가)	20210511	20210428	20210429	78,000~105,000	105,000	288.17:1
쿠콘		20210419	20210420	31,000~40,000	45,000	1596.32:1
해성티피씨		20210412	20210413	9,500~11,500	13,000	2053.27:1
이삭엔지니어링		20210412	20210413	9,500~11,500	11,500	2262.09:1
유진스팩6호		20210330	20210331	2,000~2,000	2,000	236.23:1
유안타스팩8호		20210325	20210326	2,000~2,000	2,000	84.91:1
엔시스		20210322	20210323	13,000~16,500	19,000	2573.60:1
자이언트스텝		20210315	20210316	9,000~11,000	11,000	2342:1
제노코		20210315	20210316	27,000~33,000	36,000	2095.45:1
라이프시맨틱스		20210311	20210312	9,000~12,500	12,500	1774.57:1
SK바이오사이언스(유가)		20210309	20210310	49,000~65,000	65,000	335.36:1
바이오다인		20210308	20210309	22,500~28,700	30,000	48.36:1
디비금융스팩9호		20210305	20210308	2,000~2,000		8.56:1
네오이뮨텍		20210304	20210305	5,400~6,400		664.65:1
프레스티지바이오로직스		20210302	20210303	8,700~12,400		126.06:1
싸이버원		20210302	20210303	7,600~8,300		1880.43:1
나노씨엠에스		20210225	20210226	14,500~18,500		1243.48:1
하나머스트스팩7호		20210223	20210224	2,000~2,000		237.46:1
IBKS스팩15호		20210218	20210219	2,000~2,000		101.73:1
뷰노		20210216	20210217	15,000~19,500		1102.7:1
씨이랩		20210215	20210216	23,000~31,000		195.53:1
유일에너테크		20210215	20210216	11,000~14,000		683.55:1
오로스테크놀로지		20210215	20210216	17,000~21,000		1033.82:1
피엔에이치테크		20210203	20210204	14,000~17,000		1528.76:1
하나금융스팩17호		20210129	20210201	2,000~2,000		168.68:1
아이퀘스트		20210127	20210128	9,200~10,600		2853.34:1
프레스티지바이오파마(유가)		20210125	20210126	25,000~32,000		237.13:1
와이더플래닛		20210125	20210126	12,000~15,000		1357.98:1
레인보우로보틱스		20210125	20210126	7,000~9,000		1201.26:1
신한스팩7호		20210125	20210126	2,000~2,000		7.45:1
솔루엠(유가)		20210121	20210122	13,700~15,500		1147.76:1
핑거		20210121	20210122	13,000~15,000		939.39:1
씨앤투스성진		20210119	20210120	26,000~32,000		674.04:1
모비릭스		20210119	20210120	10,500~14,000		1485.51:1
선진뷰티사이언스		20210118	20210119	10,100~11,500		1987.74:1
엔비티		20210112	20210113	13,200~17,600		4397.67:1
한국스팩9호		20210112	20210113	2,000~2,000		46.54:1

SK바이오사이언스의 경우 따상에 성공하고 이후 주가가 큰폭으로 하락했다가 일부 회복한 상태입니다. 이번 SK아이이테크놀로지도 따상할 것이란 예측이 많은 상황입니다.

기업공개가 예정된 종목들도 이렇게 많이 있습니다. 이들 중에서 특히 크래프톤, 카카오벵크, 한컴라이프케어, 아주스틸, 카카오페이에 관심이 갑니다.

기업명	청구일	당기순이익(백만)	매출액(백만)	자본금(백만)	주업종
에스앤디	20210430	7,359	56,537	1,518	기타 식품 제조업
비트나인	20210428	-10,226	11,576	4,110	응용소프트웨어 개발 및소프트웨어
에이비온	20210428	-10,476	1,994	7,168	자연과학 및 공학 연구개발업
라이콤	20210427	3,475	30,604	1,469	통신 및 방송 장비 제조업
차백신연구소	20210426	-6,240	78	11,194	의약품 제조업
카카오페이(유가)	20210426	-25,051	284,371	56,683	기타 금융업
리파인	20210423	16,067	54,164	1,300	부동산 중개, 자문 및 감정평가업
바이오플러스	20210423	9,703	24,367	6,239	기초 의약물질 및 생물학적 제제
실리콘투	20210423	5,716	99,398	4,214	상품 종합 도매업
와이엠텍	20210423	3,866	17,037	2,387	전동기, 발전기 및 전기 변환 ·
엠로	20210423	3,389	40,302	2,687	소프트웨어 개발 및 공급업
아주스틸(유가)	20210422	11,709	569,794	11,226	1차 철강 제조업
한컴라이프케어(유가)	20210416	27,690	151,842	3,937	기타 의료용 기기 제조업
원티드랩	20210416	-9,174	14,648	1,988	소프트웨어 개발 및 공급업
카카오뱅크(유가)	20210415	113,636	804,157	2,048,251	은행 및 저축기관
브레인즈컴퍼니	20210415	3,734	14,829	1,742	시스템 소프트웨어 개발 및 공급업
엑셀세라퓨틱스	20210413	-10,124	540	4,368	의료용품 및 기타 의약 관련제품
바이젠셀	20210409	-10,455	0	3,772	의약품 제조업
크래프톤(유가)	20210408	556,267	1,670,427	4,278	소프트웨어 개발 및 공급업
일진하이솔루스(구.일진복합소재)(유가)	20210407	15,579	113,525	14,525	기타 운송장비 제조업
큐라클	20210401	-28,610	0	5,657	자연과학 및 공학 연구개발업
플래티어	20210331	2,685	39,376	3,207	소프트웨어 개발 및 공급업
에브리봇	20210330	-902	49,165	2,614	가정용 기기 제조업
오에스피	20210322	3,313	15,567	3,458	동물용 사료 및 조제식품 제조업
맥스트	20210309	-8,921	1,983	3,751	소프트웨어 개발 및 공급업
루켄테크놀러지스	20210204	-1,491	32,667	5,494	기타 전기장비 제조업
셀비온	20210204	-3,518	350	4,434	의약품 제조업
에스디바이오센서(유가)	20210126	1,399	73,728	46,659	의료용 기기 제조업
레몬헬스케어	20201228	-22,365	2,042	4,458	소프트웨어 개발 및 공급업
딥노이드	20201214	-8,606	235	2,156	소프트웨어 개발 및 공급업
디앤디파마텍	20201013	-6,421	0	4,018	자연과학 및 공학 연구개발업

특히 크래프톤, 카카오뱅크의 경우 각각 5,500억, 1,100억의 당기순이익을 기록하고 있는 만큼 현재도 이익이 높은 회사라 청약 공모 시 엄청난 경쟁이 예상됩니다. 남아있는 IPO들 잘 챙겨서 수익 얻으시길 응원합니다.

대신증권 크레온 API로 실시간 주가 데이터 받기

Fri, 23 Apr 2021 00:00:00 GMT

이번 포스트에서는 대신증권 크레온 API를 이용한 실시간 주가를 획득하는 방법을 다룹니다. 여느 때와 같이 언어는 파이썬으로 진행합니다.

크레온 API는 문서화가 비교적 잘되어 있고 사용성이 좋습니다. [증권사 API 장단점 비교][/htsapi.html] 포스트에서 주요 증권사 API의 장단점을 비교해 놓았으니 참고하시기 바랍니다.

실시간 주가를 얻어오기 위한 모듈은 Dscbo1.StockCur이며 이에 대한 문서는 여기에서 확인할 수 있습니다.

실시간 데이터는 Publish/Subscribe 방식으로 데이터를 획득합니다. 크레온에서 실시간 주가 데이터를 발행(Publish)하고 사용자는 실시간 주가를 원하는 종목을 구독(Subscribe)합니다. 사용자는 크레온이 발행한 데이터를 콜백(callback)을 통해 받습니다.

그럼 파이썬으로 실시간 주가 데이터를 구독하는 함수와 데이터를 획득하는 콜백 함수를 구현해 보겠습니다.

import win32com.client


class Creon:
    def __init__(self):
        self.stockcur_handlers = {}  # 주식/업종/ELW시세 subscribe event handlers

    def subscribe_stockcur(self, code, cb):
        if not code.startswith('A'):
            code = 'A' + code
        if code in self.stockcur_handlers:
            return
        obj = win32com.client.Dispatch('DsCbo1.StockCur')
        obj.SetInputValue(0, code)
        handler = win32com.client.WithEvents(obj, StockCurEventHandler)
        handler.set_attrs(obj, cb)
        self.stockcur_handlers[code] = obj
        obj.Subscribe()

    def unsubscribe_stockcur(self, code=None):
        lst_code = []
        if code is not None:
            if not code.startswith('A'):
                code = 'A' + code
            if code not in self.stockcur_handlers:
                return
            lst_code.append(code)
        else:
            lst_code = list(self.stockcur_handlers.keys()).copy()
        for code in lst_code:
            obj = self.stockcur_handlers[code]
            obj.Unsubscribe()
            del self.stockcur_handlers[code]


class StockCurEventHandler:
    def set_attrs(self, obj, cb):
        self.obj = obj
        self.cb = cb

    def OnReceived(self):
        item = {
            'code': self.obj.GetHeaderValue(0),
            'name': self.obj.GetHeaderValue(1),
            'diffratio': self.obj.GetHeaderValue(2),
            'timestamp': self.obj.GetHeaderValue(3),
            'price_open': self.obj.GetHeaderValue(4),
            'price_high': self.obj.GetHeaderValue(5),
            'price_low': self.obj.GetHeaderValue(6),
            'bid_sell': self.obj.GetHeaderValue(7),
            'bid_buy': self.obj.GetHeaderValue(8),
            'cum_volume': self.obj.GetHeaderValue(9),  # 주, 거래소지수: 천주
            'cum_trans': self.obj.GetHeaderValue(10),
            'price': self.obj.GetHeaderValue(13),
            'contract_type': self.obj.GetHeaderValue(14),
            'cum_sellamount': self.obj.GetHeaderValue(15),
            'buy_sellamount': self.obj.GetHeaderValue(16),
            'contract_amount': self.obj.GetHeaderValue(17),
            'second': self.obj.GetHeaderValue(18),
            'price_type': chr(self.obj.GetHeaderValue(19)),  # 1: 동시호가시간 예상체결가, 2: 장중 체결가
            'market_flag': chr(self.obj.GetHeaderValue(20)),  # '1': 장전예상체결, '2': 장중, '4': 장후시간외, '5': 장후예상체결
            'premarket_volume': self.obj.GetHeaderValue(21),
            'diffsign': chr(self.obj.GetHeaderValue(22)),
            'LP보유수량':self.obj.GetHeaderValue(23),
            'LP보유수량대비':self.obj.GetHeaderValue(24),
            'LP보유율':self.obj.GetHeaderValue(25),
            '체결상태(호가방식)':self.obj.GetHeaderValue(26),
            '누적매도체결수량(호가방식)':self.obj.GetHeaderValue(27),
            '누적매수체결수량(호가방식)':self.obj.GetHeaderValue(28),
        }
        self.cb(item)

이렇게 Creon 클래스에 실시간 주가를 구독하는 함수인 subscribe_stockcur와 구독을 취소하는 unsubscribe_stockcur 함수를 구현했습니다. subscribe_stockcur 함수에서 발행되는 주가 데이터를 처리하기 위한 StockCurEventHandler 클래스를 이어서 정의하였습니다.

subscribe_stockcur 함수에서 구독하는 종목마다 StockCurEventHandler를 할당해 주었습니다. 크레온이 주식 데이터를 발행하면 StockCurEventHandler의 OnReceived 함수가 호출됩니다.

여기서 필요한 데이터를 획득할 수 있습니다. 여기서는 이렇게 획득한 데이터를 StockCurEventHandler 객체를 생성할 때 인자로 넘겨준 cb 함수로 전달하고 있습니다.

다음과 같이 종목명과 가격을 출력하는 간단한 cb 함수를 선언하고 NAVER와 미래에셋증권 두 종목의 실시간 주가를 구독해 보았습니다.

from quantylab.systrader.creon import Creon

c = Creon()

def cb(item):
    print(item['name'], item['price'])

c.subscribe_stockcur('035420', cb)
c.subscribe_stockcur('006800', cb)

# ...

c.unsubscribe_stockcur()

그러면 이런식으로 종목명과 주가가 출력되는 것을 볼 수 있습니다.

NAVER 389500
미래에셋증권 9990
미래에셋증권 10000
NAVER 390000
NAVER 389500
NAVER 389500
미래에셋증권 9990
NAVER 389500
NAVER 389500
미래에셋증권 9990
미래에셋증권 9990
미래에셋증권 9990
미래에셋증권 10000
미래에셋증권 9990
NAVER 390000
NAVER 389500
NAVER 389500
미래에셋증권 9990

퀀티랩 systrader 프로젝트에서 실시간 주가 확인 외에도 다양한 크레온 API 기능을 연결하고 있습니다. 퀀티랩 Github systrader 리포지토리에서 전체 코드를 확인할 수 있습니다. 문의는 이 리포지토리 이슈로 또는 네이버 카페로 주세요.

파이썬으로 DART에서 재무제표 수집하기

Sun, 28 Mar 2021 00:00:00 GMT

이번 포스트에서는 전자공시시스템(DART)에서 제공하는 재무제표를 파이썬으로 다운로드하고 파싱하는 방법을 다룹니다.

DART에서 재무제표를 얻어오는 방법은 다양한데 여기서는 두 가지 방법을 다룹니다.

DART Open API 상장기업 재무정보

첫 번째로 단일회사 주요계정 API를 활용한 방법입니다.

DART Open API를 사용하려면 인증키가 필요합니다. 인증키 획득 방법은 이 포스트에서 확인하세요.

다음은 단일회사 주요계정 API를 호출하여 재무제표 정보를 획득하는 함수 입니다. 인증키, 회사 고유번호, 사업연도, 보고서 코드를 입력하여 재무제표를 받아올 수 있습니다.

def get_fs(crtfc_key, corp_code, bsns_year, reprt_code):
    # 단일회사 주요계정
    # crtfc_key  API 인증키  STRING(40)  Y  발급받은 인증키(40자리)
    # corp_code  고유번호  STRING(8)  Y  공시대상회사의 고유번호(8자리)
    # ※ 개발가이드 > 공시정보 > 고유번호 API조회 가능
    # bsns_year  사업연도  STRING(1)  Y  사업연도(4자리)
    # ※ 2015년 이후 부터 정보제공
    # reprt_code  보고서 코드  STRING(5)  Y  1분기보고서 : 11013
    # 반기보고서 : 11012
    # 3분기보고서 : 11014
    # 사업보고서 : 11011
    api = 'https://opendart.fss.or.kr/api/fnlttSinglAcnt.json'
    params = {
        'crtfc_key': crtfc_key,
        'corp_code': corp_code,
        'bsns_year': bsns_year,
    }
    data = []
    reprt_name = REPRT_NAMES.get(reprt_code, "")
    params['reprt_code'] = reprt_code
    res = self._request(api, params=params)
    if res is None:
        return None
    if res.status_code != 200:
        return None
    item = json.loads(res.text)
    if item.get('status', '') != '000':
        return None
    for _item in item.get('list'):
        _item['corp_code'] = corp_code
        _item['reprt_code'] = reprt_code
        _item['reprt_name'] = reprt_name
        data.append(_item)
    return data

get_fs(crtfc_key, '00266961', 2015, '11011')와 같이 호출하면 다음과 같은 결과를 받아올 수 있습니다.

[{'account_nm': '자산총계', 'bfefrmtrm_amount': '9,881,190,909,324', 'bfefrmtrm_dt': '2018.12.31 현재', 'bfefrmtrm_nm': '제 20 기', 'bsns_year': '2020', 'corp_code': '00266961', 'frmtrm_amount': '12,299,527,120,786', 'frmtrm_dt': '2019.12.31 현재', 'frmtrm_nm': '제 21 기', ...}, {'account_nm': '부채총계', 'bfefrmtrm_amount': '3,932,050,396,031', 'bfefrmtrm_dt': '2018.12.31 현재', 'bfefrmtrm_nm': '제 20 기', 'bsns_year': '2020', 'corp_code': '00266961', 'frmtrm_amount': '5,795,601,052,206', 'frmtrm_dt': '2019.12.31 현재', 'frmtrm_nm': '제 21 기', ...}, ...]

DART Open API 재무정보 일괄 다운로드

두 번째는 재무정보 일괄 다운로드로 한꺼번에 전체 기업의 재무제표 데이터를 받아오는 방법입니다. Open DART 사이트에서 공시정보 활용마당 / 재무정보 일괄다운로드를 클릭하면 다음과 같은 테이블을 볼 수 있습니다.

여기서 다운로드 하면 해당 연도와 분기의 네 종류의 재무제표를 압축파일로 다운 받을 수 있습니다. 여기서는 다운로드, 압축해제를 포함하여 파이썬에서 재무제표를 읽어오는 방법을 다룹니다.

다음은 Selenium으로 다운로드 버튼을 클릭하여 파일을 다운로드하고 압축을 해제하는 코드입니다.

options = webdriver.ChromeOptions()
options.add_experimental_option("prefs", {
    "download.default_directory": self.job_base,
    "download.prompt_for_download": False,
    "download.directory_upgrade": True,
    "safebrowsing.enabled": True
})
options.add_argument("disable-infobars")
options.add_argument("--disable-extensions")
browser = webdriver.Chrome(executable_path=os.path.join(settings.QUANTYLAB_BASE, 'drivers/chromedriver'), chrome_options=options)

try:
    browser.get('https://opendart.fss.or.kr/disclosureinfo/fnltt/dwld/main.do')
    elem = browser.find_element_by_css_selector('table.tb01')
    for elem_a in elem.find_elements_by_link_text('다운로드'):
        filename = re.findall(r'.*\(.*\'(.+)\'\).*', elem_a.get_attribute('onclick'))[0]
        # 파일 다운로드
        elem_a.click()
        time.sleep(10)
        # 압축파일 로드
        filepath = os.path.join(base, filename)
        z = zipfile.ZipFile(filepath)
        for info in z.infolist():
            # 한글 파일명 인코딩 수정
            _filename = info.filename.encode('cp437').decode('euc-kr')
            _filepath = os.path.join(base, _filename)
            if os.path.exists(_filepath):
                continue
            info.filename = _filename
            # 압축해제
            z.extract(info, base)
        z.close()
except Exception as e:
    print(str(e))
finally:
    browser.quit()

이렇게 압축해제까지 하면 2020_1분기보고서_04_현금흐름표_20210211.txt과 같은 파일들이 생성되어 있을 것입니다.

이 텍스트 파일은 다음과 같이 pandas로 쉽게 DataFrame으로 읽어올 수 있습니다. 다만 sep과 encoding을 다음과 같이 적절하게 정해주는 것이 중요합니다.

df = pd.read_csv(filepath, sep='\t', encoding='cp949')

여기서 당기, 당기 1분기, 당기 반기 등의 다양한 컬럼이 생기는데 저는 이들을 당기로 통합하여 정리했습니다.

다음은 포괄손익계산서의 일부 항목을 나타낸 것입니다.

항목명	결산기준일	보고서종류	당기
영업수익	2018-12-31	사업보고서	5,586,904,533,355
영업이익(손실)	2018-12-31	사업보고서	942,532,561,543
당기순이익(손실)	2018-12-31	사업보고서	627,901,873,332

그런데 재무제표를 볼 때 항목의 흐름을 보는 것이 중요합니다. 예를 들어 영업 이익이 꾸준히 증가하고 있는지를 보고 싶은 것입니다.

그래서 동일 항목에 대해서 결산기준일 순서대로 DataFrame을 재구성하고자 합니다. 이를 위해 DataFrame의 pivot 함수를 사용합니다.

df_pivot = df.pivot(values='value', index='항목명', columns='결산기준일')

동일 항목이지만 항목명이 다르게 적혀있는 경우가 있어서 이를 맞춰주는 처리를 했습니다.

그럼 다음과 같이 동일 항목의 값을 분기 순서대로 볼 수 있습니다.

항목명	2015-12-31	2016-03-31	2016-06-30	2016-09-30	2016-12-31	2017-03-31	2017-06-30	2017-09-30	2017-12-31	2018-03-31	2018-06-30	2018-09-30	2018-12-31	2019-03-31	2019-06-30	2019-09-30	2019-12-31	2020-03-31	2020-06-30	2020-09-30
매출액	3,251,157,100,000	937,280,220,152	987,281,364,295	1,013,075,223,770	4,022,629,619,982	1,082,247,281,196	1,129,631,366,847	1,200,676,275,220	4,678,468,928,032	1,309,059,864,248	1,363,615,953,332	1,397,713,834,674	5,586,904,533,355	1,510,861,770,282	1,630,275,004,395	1,664,815,000,078	6,593,400,065,244	1,732,064,462,097	1,902,467,957,491	1,360,779,374,259
영업이익	762,203,849,000	256,827,536,675	272,663,961,847	282,298,051,525	1,102,040,475,792	290,797,289,304	285,213,522,180	312,084,238,444	1,179,187,806,331	256,980,563,870	250,583,189,279	221,718,402,565	942,532,561,543	206,244,504,954	128,334,709,480	202,086,039,366	710,070,173,513	221,495,078,328	230,597,573,115	291,726,798,004
당기순이익	516,986,279,000	165,036,146,535	213,223,506,226	198,000,157,034	759,072,951,187	210,876,050,870	171,420,229,303	215,798,264,368	770,101,670,207	153,751,654,038	281,758,577,701	68,386,763,908	627,901,873,332	87,585,903,290	27,756,852,975	85,268,053,088	396,821,062,465	134,874,581,865	90,682,203,810	235,342,965,699

퀀티랩 단타 모델 - 딥러닝으로 내일의 주가 방향을 예측하는게 가능할까?

Fri, 05 Mar 2021 00:00:00 GMT

기존의 퀀티랩 모델은 중/장기 투자를 목적으로 하는 딥러닝 모델입니다. 이 포스트에서는 데이트레이딩(일명 단타)를 위한 모델 구축에 대해 다룹니다.

이 글은 기계학습에 대한 기초 지식을 요합니다.

단타를 독려하는 것이 아니니 오해 없으셨으면 좋겠습니다.

우선 데이트레이딩에 대해 알아봅시다. 데이트레이딩에 대한 정의는 제각각이지만 대부분 다음 원칙을 가지고 있습니다.

하루 안에서 모든 거래를 마친다. (오버나잇 하지 않는다.)
종목을 발굴한다.
현금을 많은 비중으로 둔다. (Ex. 90% 현금 보유)
목표 수익률, 손절 라인을 설정한다. (1~2%의 낮은 손익률로 잡는다.)
미수는 자제한다.
장이 안좋을땐 관망한다.

데이트레이딩은 많은 지표들을 보고 종목을 발굴하고 하루동안 수십, 수백번의 매매를 하면서 수익을 내기위해 노력합니다. 매매를 위해 기술적 분석이 주로 사용되는데 기술적 분석 기법은 너무나도 다양해서 나열하기도 어렵습니다.

단타에서 주요 결정 사항 중 하나인 “어떤 종목을 노릴 것인가?”를 해결하기 위한 딥러닝 모델을 구축했습니다. 모델은 파이썬으로 구축했으며 사용한 프레임워크, 라이브러리는 다음과 같습니다.

TensorFlow 2.4 (with Keras)
Scikit-learn 0.22.1

학습데이터는 약 100개의 자질과 2.5M개의 인스턴스로 구성했습니다. 지도학습(Supervised Learning)으로 레이블(label)은 다음 거래일의 등락률의 sigmoid로 정했습니다. 그 수식은 다음과 같습니다.

y = sigmoid(next_close / today_close - 1)

자질들은 자세히 다루기 어렵지만 크게 다음 종류의 자질군으로 구성됩니다.

종목 주가
종목의 기본적 분석 지표
종목의 기술적 분석 지표
국내 주식 시장 지수
해외 주식 시장 지수
주요국 환율
원자재 가격
… (기타 등등)

자질 값들의 스케일(Scale)이 달라서 Standardization 했습니다. 세 가지 스케일러(Scaler)를 시도해 봤는데 그 중에서 Robust Scaler를 채택했습니다.

신경망 아키텍처는 기본적인 Dense(Fully Connected) Layer를 다음과 같이 쌓았습니다.

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(256, activation='linear'),
    tf.keras.layers.Dense(128, activation='linear'),
    tf.keras.layers.Dense(64, activation='linear'),
    tf.keras.layers.Dense(1, activation='sigmoid'),
])

이렇게 마지막 레이어의 활성화 함수(Activation Function)을 Sigmoid로 정해서 0과 1사이의 값으로 Prediction 하도록 했습니다. 직관적으로는 Prediction 값이 0.5 이상(초과)이면 내일 오늘보다 주가가 오를 것이라 판단하는 것이고 0.5 이하(미만)이면 주가가 내릴 것이라 판단하는 것입니다.

이렇게 학습한 모델로 테스팅 데이터를 넣어서 내일의 주가 방향을 얼마나 잘 맞추는지 알아보았습니다. 테스팅 데이터는 20210101~20210305 동안의 인스턴스이며 당연히 학습 데이터에 없는 인스턴스들 입니다.

Prediction 값을 score라고 하겠습니다. score가 0.5, 0.6, 0.7, 0.8, 0.9 이상일 때의 Accuracy를 다음과 같이 확인했습니다.

score 0.5 이상: 313,319개 인스턴스에서 정확도 57.99%
score 0.6 이상: 51,390개 인스턴스에서 정확도 68.81%
score 0.7 이상: 10,962개 인스턴스에서 정확도 84.22%
score 0.8 이상: 3,864개 인스턴스에서 정확도 89.73%
score 0.9 이상: 113개 인스턴스에서 정확도 49.56%

Score가 마냥 높다고 정확도가 높아지는 것은 아니였습니다. 0.8 까지는 높아지다가 0.9 이상에서는 정확도가 오히려 급격하게 감소했습니다. 정확도가 가장 높은 범위를 찾아봤습니다.

Score 0.83 이상 0.835 미만의 295개 인스턴스에서 정확도 94.58%를 얻을 수 있었습니다.

여기에 포함된 Score Top 50 종목들은 다음과 같습니다.

동전주, 거래대금이 적은 종목은 제외(Filter Out)했습니다.

date	name	close	score	diffratio_nextday
20200325	삼강엠앤티	2,320	0.8350	-0.43%
20200324	E1	23,650	0.8350	8.03%
20200325	휴비스	3,625	0.8350	1.10%
20200325	미창석유공업	47,850	0.8349	1.78%
20200409	빙그레	54,200	0.8349	-0.55%
20200323	엘티씨	5,130	0.8349	8.38%
20200325	갤럭시아머니트리	1,925	0.8349	0.78%
20200325	한솔제지	9,000	0.8349	2.89%
20200325	KC그린홀딩스	2,595	0.8349	5.97%
20200325	이월드	2,730	0.8348	28.21%
20200325	푸른기술	5,944	0.8347	5.82%
20200325	신화인터텍	1,655	0.8347	8.76%
20200619	아진엑스텍	4,123	0.8347	3.10%
20200325	신세계건설	16,450	0.8347	8.81%
20200325	애니플러스	1,030	0.8346	4.85%
20200323	노랑풍선	5,720	0.8346	5.77%
20200325	미래에셋생명	2,570	0.8346	9.14%
20200323	유티아이	7,060	0.8346	7.51%
20200325	스카이이앤엠	1,505	0.8345	1.33%
20200422	코오롱생명과학	41,100	0.8345	3.53%
20200324	디와이	2,500	0.8344	9.60%
20200325	HSD엔진	2,220	0.8344	3.60%
20200325	가온전선	12,100	0.8343	6.20%
20200325	슈피겐코리아	32,300	0.8343	-2.94%
20200323	동국S&C	1,195	0.8343	10.88%
20200325	케이씨티	1,210	0.8343	7.02%
20200325	태림포장	2,455	0.8342	4.07%
20200325	서플러스글로벌	1,250	0.8342	2.00%
20200325	태웅	4,220	0.8342	-1.66%
20200324	노랑풍선	6,050	0.8342	10.74%
20200323	일진다이아	11,000	0.8342	17.27%
20200324	일진디스플	1,892	0.8341	11.89%
20200325	하나마이크론	3,725	0.8341	6.58%
20200325	파워넷	2,240	0.8341	4.69%
20200325	홈캐스트	2,400	0.8340	3.12%
20200325	유니온	1,940	0.8340	2.06%
20200325	SCI평가정보	1,455	0.8340	4.12%
20200325	우노앤컴퍼니	2,515	0.8340	29.82%
20200325	화승알앤에이	1,300	0.8339	3.08%
20200324	웨이브일렉트로	8,563	0.8339	14.56%
20200325	잇츠한불	9,530	0.8339	8.60%
20200325	파인디앤씨	1,000	0.8338	5.50%
20200323	서연	1,555	0.8338	29.90%
20200323	화신	1,390	0.8338	4.68%
20200325	신도리코	21,200	0.8337	0.94%
20200323	큐렉소	2,460	0.8337	6.71%
20200325	휴스틸	4,805	0.8337	4.06%
20200325	예림당	1,750	0.8337	9.71%
20200325	빛샘전자	3,220	0.8337	6.21%
20200325	정원엔시스	1,070	0.8337	14.02%

그럼 어제(20210304)의 상위 종목들 살펴보겠습니다.

date	name	close	score	diffratio_nextday
20210304	일양약품	35,000	0.6188	-1.14%
20210304	수산아이앤티	28,550	0.5753	-5.43%
20210304	대한그린파워	1,400	0.5532	7.50%
20210304	진양산업	4,365	0.5196	0.46%
20210304	이녹스	11,000	0.5174	2.27%
20210304	인지컨트롤스	18,600	0.5040	-3.23%
20210304	웅진씽크빅	2,635	0.4985	3.04%
20210304	세원셀론텍	1,995	0.4923	-1.50%
20210304	기가레인	1,825	0.4921	-1.37%
20210304	파루	1,450	0.4917	0.69%

최근 장이 안좋아서 그런지 Score 가장 높은게 0.6 정도입니다. 그럼 오늘 날짜의 Score 상위 종목에는 어떤 종목들이 있을까요?

date	name	close	score
20210305	팬엔터테인먼트	7,670	0.8676
20210305	풍강	3,990	0.8056
20210305	중앙에너비스	9,200	0.5439
20210305	플리토	13,900	0.5383
20210305	한국주강	1,780	0.5381
20210305	일양약품	34,600	0.5241
20210305	극동유화	3,475	0.5151
20210305	한일진공	1,040	0.5141
20210305	인성정보	2,315	0.5056
20210305	텔콘RF제약	5,270	0.4999

다음 거래일에 이 종목들이 어떤 움직임을 보일지 지켜보면 재미있을 것 같습니다.

어디까지나 투자는 본인이 결정하는 것입니다. 퀀티랩에서 제공하는 정보는 참고만 하시길 당부드립니다.

[2021-02-26] 딥러닝 모델 종목추천

Sat, 27 Feb 2021 00:00:00 GMT

퀀티랩 AI 주식 종목 랭킹 모델을 개선했습니다. 다양한 자질을 추가했고 학습 방식도 많이 변경했습니다. 백테스팅 결과 기존의 모델에 비해 더 나은 결과를 얻을 수 있었습니다.

특이 사항으로 거래 대금이 적은 종목에 약간의 패널티를 부여했습니다. 너무 거래가 적은 종목들은 피하자는 의도입니다.

개선한 모델의 2021년 2월 26일자 상위 랭크 종목들은 다음과 같습니다.

이들 중에 특히 주가가 많이 내려와 있는 KT&G, 한국전력이 눈에 뜁니다.

매일 업데이트 되는 랭킹 결과를 퀀티랩에서 확인하세요. 퀀티랩 AI 매매내역 페이지에서는 퀀티랩 AI의 수익률 차트, 현재 보유 종목, 매매 내역을 볼 수 있습니다.

요증 인플레이션 우려와 함께 미국 금리 인상이 앞당겨질 수 있다는 추측이 많아서 주식 시장이 좋지 않습니다. 잘 대응하셔서 성투하세요.

어디까지나 투자는 본인이 결정하는 것입니다. 퀀티랩에서 제공하는 정보는 참고만 하시길 당부드립니다.

매경, 한경 등의 경제 잡지 무료로 보기

Mon, 15 Feb 2021 00:00:00 GMT

틈틈히 경제 잡지를 읽어보는 것은 투자에 큰 도움이 된다고 생각합니다. 사서 보기는 부담스러울 수 있는 이러한 경제 잡지들을 전자 잡지 형태로 무료로 볼 수 있습니다.

매경 ECONOMY
한경 BUSINESS
MONEY
이코노미조선
포춘코리아
머니S
월간리치
웰스매니지먼트
이코노믹리뷰
NEXT economy
M이코노미
MIDAS

지역 도서관들이 모아진(moazin)이라는 전자 잡지 서비스와 계약하여 잡지들을 제공하고 있는 것 같습니다. 물론 우리들의 세금이 들어가는 것이겠지요.

먼저 살고계신 지역의 도서관에 정회원으로 가입을 해야 합니다. 이를 위해서 한번은 도서관을 방문해야 할 수 있습니다.

각 지역의 도서관 홈페이지마다 조금씩 다르겠지만 여기서는 서울시, 성남시, 용인시 도서관의 전자잡지 접근 방법을 다루겠습니다.

서울시의 경우 서울특별시교육청 전자도서관에 전자잡지 메뉴가 있습니다. 로그인 후 이용하시면 되겠습니다.

성남시와 용인시의 경우 같은 경기도라 그런지 메뉴 구성이 같았습니다. 각 시의 도서관사업소 홈페이지에서 이용안내 > 디지털서비스 > 전자잡지 메뉴를 확인하시면 됩니다.

이제 PC에서는 이런식으로 모아진에서 제공하는 전자잡지를 확인할 수 있습니다.

모바일에서 전자잡지를 보고싶을 경우 도서관 매거진 앱을 설치하면 됩니다.

이후 본인이 정회원으로 가입된 도서관을 목록에서 선택해서 로그인하면 다음과 같이 전자잡지를 모바일에서 확인할 수 있습니다.

우리 세금으로 운영되는 만큼 활용하셔서 투자에 도움이 되시길 바랍니다.

경제 분야 뿐만 아니라 시사, 과학, 문화, 예술, 패션, 라이프 등 다양한 분야의 잡지를 볼 수 있습니다.