Kursdaten: Import und Visualisierung

import pandas as pd

#df1 = pd.read_csv("./../../Data/Allianz_Schlusskurse_2020_2025.csv")
df1 = pd.read_csv("./../../Data/Allianz_Schlusskurse_2020_2025.csv", 
                       skiprows = 3, names = ["Datum", "Schlusskurs"])
#Achtung: bitte passen Sie den relativen Pfad an Ihre eigene Ordner-Struktur an


# Falls Sie eine xlsx-Datei einlesen wollen, die im gleichen Ordner liegt, dann würde der Code wiefolgt aussehen
# df = pd.read_excel("Datei.xlsx")

print(df1)

import yfinance as yf

alz = yf.Ticker("ALV.DE")

#### Erstelle einen Dataframe, der die Kursdaten der letzten 12 Monate enthält
df2 = alz.history(period="1y", interval = "1d")


print(df2.tail(5))
# Gibt die letzten fünf Zeilen der Kursdaten aus – ideal zur Kontrolle.

#speichern der Daten in CSV-Datei
df2.to_csv('alz_12months.csv')

import yfinance as yf
import pandas as pd
import pandas_datareader as web   #siehe https://pandas-datareader.readthedocs.io/en/latest/#
from datetime import datetime

ticker = ["TSLA"]

#prices = yf.Ticker(ticker).history('5y')  #aktuell Fehlermeldung wegen Problemen bei Yahoo-Finance


print("Versuche Yahoo Finance für %s:\n" % (ticker))
try:
    data = yf.download(ticker, period = "5y", interval = "1d")
except Exception as e:
    print("Fehler bei Yahoo Daten Download: %s \n" % (e))

if not data.empty:
    print("Daten für %s geladen auf Yahoo-Finance" % ticker)
    print(data.head())
    print("Datentyp Rückgabe yfinance: %s:\n" % type(data))
else:
    print("Probleme mit Yahoo-Finance - keine Daten für %s geladen" % (ticker))

tickers = ["AAPL","ALV.DE"]

print("\nVersuche Yahoo Finance für mehrere Assets %s :\n" % (tickers))
all_prices = {}
try:
    data2 = yf.download(tickers, period = "5y", interval = "1d", group_by = "ticker")     
except Exception as e:    
    print("Fehler bei Yahoo Daten Download: %s \n" % (e))

if not data2.empty:                            
    print(data2.head())
    #print(type(data2))
    print("Datentyp Rückgabe yfinance: %s\n"  % (type(data2)))
    print("Infos DataFrame:\n" )
    print(data2.info())

from alpha_vantage.timeseries import TimeSeries
import pandas as pd

#### API-Key für Alpha Vantage angeben
api_key = 'DasistkeinechterAPI-Key'

#### Verbindung zu Alpha Vantage aufbauen
ts = TimeSeries(key=api_key, output_format='pandas')
# Erstellt ein TimeSeries-Objekt ts, über das du dann Methoden wie get_daily verwenden kannst.
# Mit output_format='pandas' bekommst du die Daten direkt als pandas DataFrame. Pandas ist sehr praktisch und einfach von der Handhabung

####  Tagesdaten abrufen
data, meta_data = ts.get_daily(symbol='AAPL', outputsize='compact')
# symbol='AAPL' fragt die Daten für die Apple-Aktie ab.
# data enthält die eigentlichen Kurse (Open, High, Low, Close, Volume), meta_data enthält Zusatzinfos (z. B. Abfragezeitpunkt, Symbol).

print(data.head())
# Gibt die ersten fünf Zeilen der Kursdaten aus.

# import yfinance as yf
# import pandas as pd

# Ticker-Symbol für Allianz SE an der Börse Frankfurt/Xetra
# ticker = "ALV.DE"

# Daten abrufen (01.01.2020 bis 01.01.2025)
# data = yf.download(ticker, start="2020-01-01", end="2025-01-01")

# Nur Schlusskurse extrahieren
# schlusskurse = data[["Close"]].rename(columns={"Close": "Schlusskurs"})

# Als CSV-Datei speichern
# schlusskurse.to_csv("Allianz_Schlusskurse_2020_2025.csv")

# print("CSV-Datei wurde gespeichert: Allianz_Schlusskurse_2020_2025.csv")

import pandas_datareader.data as web
import datetime

# Zeitraum
start = datetime.datetime(2022, 1, 1)
end = datetime.datetime(2023, 1, 1)

# Apple von Yahoo Finance
#df = web.DataReader("AAPL", "yahoo", start, end)
#print(df.head())

#stooq

df = web.DataReader("AAPL", "stooq", start, end)
print(df.head())

# FRED Daten: 3-Monats-T-Bill Rate („TB3MS“):
df = web.DataReader("TB3MS", "fred", start, end)
print(df.tail())

import yfinance as yf
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime


start_date = datetime(year = 2024, month=1, day = 1)

ticker1 = "AAPL"
stock1 = yf.download(ticker1, start = start_date)
stock1.head()
stock1.tail()

stock1['Close']

plt.figure()
plt.plot(stock1['Close'], label='Closing Price', color='blue')
plt.xlabel("Date")
#plt.xticks(rotation=90)
plt.xticks(rotation=45, ha='right')
plt.legend()
plt.grid()
plt.title(ticker1)
plt.show()

#multiple stocks
### Multiple Stocks: Achtung group_by hat Einfluss auf die Struktur des "Doppelarrays"

tickers = ["AAPL","NVDA","META"]
stocks_v1 = yf.download(tickers, start_date,   group_by='ticker') #place ticker name as the top-level column
stocks_v2 = yf.download(tickers, start_date,   group_by='column') # place the OHLCV values as the top-level columns

last_date = stocks_v1[tickers[0]]['Close'].index[-1].date() #.strftime("")

plt.figure()
sns.set(style='whitegrid')

for tick in tickers:
    sns.lineplot(data = stocks_v1[tick]["Close"],label=tick)

plt.title("Stock Closing Prices %s -- %s" % (start_date.date(), last_date))
plt.xticks(rotation=45, ha='right')
plt.xlabel("Date")
plt.ylabel("Closing Price ($)")
plt.tight_layout()
plt.show()

plt.figure()
sns.set(style='whitegrid')
sns.relplot(data=stocks_v2['Close'], kind="line",  dashes=False)
plt.title("Stock Closing Prices %s -- %s" % (start_date.date(), last_date))
plt.xticks(rotation=45, ha='right')
plt.xlabel("Date")
plt.ylabel("Closing Price ($)")
plt.tight_layout()

plt.show()

#to do: bitte Demo fuer CSV-Datensatz von oben!! und dann nur zusaetzlich mittels try... fuer aktuelle Daten

from mplchart.chart import Chart
from mplchart.primitives import Candlesticks, Volume
from mplchart.indicators import SMA, RSI, MACD

#Achtung: input mplchart sind OHLCV-DataFrames (also Open, High, Low, Close, Volume mit Datetime-Index, wie yfinance liefert!!!!

# Konfiguration
max_bars = 252 # Zeige das letzte Börsenjahr (in Deutschland gibt es 252 Handelstage) 
indicators = [
    Candlesticks(),
    Volume(),
    SMA(50), 
    SMA(200),
    RSI(), 
    MACD(), 
]

#Daten aus CSV-Datei oben
ticker1 = 'ALV.DE aus CSV'

print(df1["Schlusskurs"].head())  #nicht in OHLCV-Format!!!

#erzeugen kuenstlich dieses Format: Achtung nur Close richtig!!!
ohlc = pd.DataFrame({
    "Date": pd.to_datetime(df1["Datum"]),
    "Open": df1["Schlusskurs"]-10,
    "High": df1["Schlusskurs"] + 20,
    "Low": df1["Schlusskurs"]-20,
    "Close": df1["Schlusskurs"],
    "Volume": 0, #})
}, index=df1.index)

#ohlc["Date"] = pd.to_datetime(ohlc["Date"])
ohlc = ohlc.set_index("Date")

print("Umgewandelter DataFrame:\n")
print(ohlc.head())
print(ohlc.info())

# Plot erzeugen -- to do line 40
chart1 = Chart(ticker1, max_bars=max_bars)
chart1.plot(ohlc, indicators)  #to do: Achtung hier macht Candlestick keinen Sinn, da nur Closing Prices!!
chart1.show()

from mplchart.chart import Chart
from mplchart.primitives import Candlesticks, Volume
from mplchart.indicators import SMA, RSI, MACD

#Achtung: input mplchart sind OHLCV-DataFrames (also Open, High, Low, Close, Volume mit Datetime-Index, wie yfinance liefert!!!!

# Konfiguration
max_bars = 252 #Beschränkung auf das letzte Börsenjahr (in Deutschland gibt es 252 Handelstage) 
indicators = [
    Candlesticks(),
    Volume(),
    SMA(50), 
    SMA(200),
    RSI(), 
    MACD(), 
]


# Daten von Yahoo-Finance abrufen
ticker = "ALV.DE"

print("Versuche Yahoo Finance für %s:\n" % (ticker))
try:
    data = yf.Ticker(ticker).history('2y')  #hier ggf. Zeiten anpassen
except Exception as e:
    print("Fehler bei Yahoo Daten Download: %s \n" % (e))

if not data.empty:
    print(data.head())
    chart = Chart(title = ticker, max_bars=max_bars)
    chart.plot(data, indicators)
    chart.show()