大家好,我是橙哥!本文将详细探讨和分析美国国会参议员的个人股票交易,识别交易的资产类别、股票代码、交易日期以及大致的投资金额。我们的主要数据来源是FMP API,该API提供美国参议员股票交易的全面数据集。文章将涵盖处理这些数据的各个方面,包括:通过 FMP API 获取和预处理财务数据,按类型和资产分析交易,识别关键参议员和股票,并评估交易信号的准确性。生成交易类型的可视化柱状图、与交易相关的价格趋势,以及对参议员股票交易的总结。
一、理解数据来源
Financial Modeling Prep (FMP) API 提供了对全面财务数据集的程序化访问,包括历史基本数据。FMP API 是提取参议员股票交易详细信息的主要来源。
另一方面,美国国会参议院的财务披露网站作为公共记录的直接来源,详细说明了参议员的财务活动。它提供了一种更为手动的数据检索方式,允许用户搜索和查看单个交易的披露信息。通过一些方法也可以实现自动化。
需要注意的是,本分析集中于参议院的数据。众议院维护着一个独立的数据集,具有类似的财务披露分析价值。我们将在未来的文章中深入探讨这一数据来源,以提供对美国国会交易活动更全面的视角。
二、分析参议员交易与 FMP API
我们首先从 Financial Modeling Prep (FMP) API 收集数据。此过程涉及跨多个页面获取数据,以编制包含 3000 笔交易和 13 列数据的全面数据集。FMP 提供对各种财务数据的访问,包括但不限于美国参议员进行的股票交易数据。Python 的 requests 库简化了数据获取过程,将 JSON 响应解析为结构化的 pandas DataFrame 以便进行分析。对于 API 响应的每一页,我们构建一个请求 URL,并向 FMP API 端点发送 GET 请求。2、交易最多的资产类别
获取参议院交易数据集后,我们的下一个目标是探索数据,以识别参议员最倾向于交易的资产类别。这一步展示了参议员投资的资产多样性,同时也揭示了参议员的投资偏好和风险偏好。
利用 pandas,我们根据两个主要维度对数据进行细分:资产类型(例如,股票、债券、加密货币等)和交易性质(购买、出售)。
我们通过分析参议院交易数据集中最活跃的资产代码,识别哪些股票、债券或金融工具受到参议员的青睐,以及受欢迎的程度。为了实现这一目标,数据集首先进行了增强,包含交易金额的数值表示,将范围转化为每笔交易的平均值。随后,数据集按代码和交易类型进行分组,汇总平均交易金额的计数和总和。这一步不仅使我们能够识别出最多交易的代码,还能确定与每个代码相关的交易规模。为了进行可视化,我们构建了一个复合柱状图,划分了在顶级交易代码中的购买和卖出交易的频率。该图表提供了不同资产类别之间的比较。我们现在考察参议院交易数据中买卖信号的时间动态,重点关注它们与市场波动的对齐情况。通过将交易数据叠加到股票价格时间线上,旨在评估这些交易的时机和潜在的前瞻性。利用 yfinance 进行股票数据检索,并使用 matplotlib 进行可视化,我们绘制了股票随时间变化的收盘价格,并标注买入和卖出交易。这种可视化方法使我们能够立即理解参议院交易相对于市场趋势的位置。除了简单的可视化,我们还将分析扩展到定量评估这些交易的准确性。这涉及计算在定义窗口(例如:30 天)内,交易后股票价格的百分比变化。本节旨在量化参议员的交易表现,通过分析他们在特定时期内买卖交易的准确性。通过将这些交易与随后的市场波动相关联,我们建立了一种评估个别参议员前瞻性的指标。通过分析国会参议员股票交易数据,我们可以探索和追踪这些交易的各个方面,包括参议员青睐的资产类别、最活跃的交易股票以及他们买入和卖出信号的潜在有效性。通过这些数据我们可以进一步探索美国国会参议员交易与特定立法行动之间的关系,追踪和分析参议员投资组合的表现等。