gpt写的读取纳斯达克100id存入tidb的代码
import yfinance as yf
import pandas as pd
import mysql.connector
from sqlalchemy import create_engine
# 定义纳斯达克前100家公司的股票代码列表
nasdaq_top_100 = [ ] # 请补全列表
import requests
from bs4 import BeautifulSoup
# 设置请求头部信息
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36"
}
# 发送GET请求
res = requests.get("[https://api.nasdaq.com/api/quote/list-type/nasdaq100",](https://api.nasdaq.com/api/quote/list-type/nasdaq100%22,) headers=headers)
# 解析JSON数据
main_data = res.json()['data']['data']['rows']
# 打印公司名称
for i in range(len(main_data)):
print(main_data[i]['symbol'])
nasdaq_top_100.append(main_data[i]['symbol'])
# 创建一个空的列表来存储每家公司的DataFrame
dataframes = []
# 遍历股票代码列表
for ticker in nasdaq_top_100:
# 获取股票数据
stock = yf.Ticker(ticker)
# 获取财务报表数据
balance_sheet = stock.balance_sheet
income_statement = stock.financials
# 计算ROE
net_income = income_statement.loc['Net Income']
shareholder_equity = balance_sheet.loc['Stockholders Equity']
roe = net_income / shareholder_equity
# 创建一个DataFrame来存储当前公司的ROE
df = pd.DataFrame({'Ticker': [ticker], 'ROE': [roe]})
# 将DataFrame添加到列表中
dataframes.append(df)
# 使用pd.concat合并所有公司的DataFrame
roe_df = pd.concat(dataframes)
# 输出结果
print(roe_df)
#url = 'mysql+pymysql://username:password@hostname:port/dbname?charset=utf8'
#engine = sa.create_engine(url, echo=False)
engine = create_engine('mysql+pymysql://username:password@ip/test')
roe_df.to_sql('df', engine, index=False,
method = "multi",chunksize = 10000 ,if_exists='replace')
文章结尾
不懂就问gpt
我之前只知道微软 nvidia利润高。拿个这个代码发现纳斯达克的生物科技利润也是非常高。利润率恐怖如苹果。一搜索生物医药 no1
数据分析的确让我们能获取更好的收益率。
本来写这些代码挺难的。但gpt的出现。让写代码变得无比简单。
这样 纳斯达克7巨头被市场称为“七巨头”（Magnificent Seven）的七大美股增长型或科技股——苹果、微软、Alphabet、亚马逊、英伟达、特斯拉和Meta Platforms 还得加上生物医药。
后续把纳斯达克指数k线导入到tidb。
把自己的投资金额写入就可以自己计算收益率了。
后面在想想其他方法。等出国开户就不被国内基金剥削管理费了。管理费2%挺离谱的。
import yfinance as yf
import pymysql
from datetime import datetime, timedelta
# Define database connection parameters
db_params = {
'host': 'ip',
'user': 'username',
'password': 'password',
'db': 'test'
}
# Connect to the MySQL database
connection = pymysql.connect(**db_params)
cursor = connection.cursor()
# Create a new table for NASDAQ 100 data
create_table_query = """
CREATE TABLE IF NOT EXISTS nasdaq_100s (
date DATE,
open FLOAT,
high FLOAT,
low FLOAT,
close FLOAT,
adj_close FLOAT,
volume BIGINT
)
"""
cursor.execute(create_table_query)
nasdaq_top_100 = [ ] # 请补全列表
import requests
from bs4 import BeautifulSoup
# 设置请求头部信息
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36"
}
# 发送GET请求
res = requests.get("[https://api.nasdaq.com/api/quote/list-type/nasdaq100",](https://api.nasdaq.com/api/quote/list-type/nasdaq100%22,) headers=headers)
# 解析JSON数据
main_data = res.json()['data']['data']['rows']
# 打印公司名称
for i in range(len(main_data)):
print(main_data[i]['symbol'])
nasdaq_top_100.append(main_data[i]['symbol'])
for ticker_symbol in nasdaq_top_100:
# 获取股票数据
# Calculate the date 10 years ago from today
ten_years_ago = datetime.now() - timedelta(days=3650)
# Fetch the historical data from yfinance
data = yf.download(ticker_symbol, start=ten_years_ago.strftime('%Y-%m-%d'))
# Insert the data into the MySQL table
insert_query = """
INSERT INTO nasdaq_100s (date, open, high, low, close, adj_close, volume)
VALUES (%s, %s, %s, %s, %s, %s, %s)
"""
for date, row in data.iterrows():
cursor.execute(insert_query, (date.date(), row['Open'], row['High'], row['Low'], row['Close'], row['Adj Close'], row['Volume']))
# Commit changes and close the connection
connection.commit()
cursor.close()
connection.close()
我买的基金分布情况为下面10只股票
用导入的数据做图形分析
整理完数据后就是出图了
这就是我的钱都去哪了 微软10% apple 10% nvda 2% costco 2% 博通2%
其中 msft 做的是azrue云 亚马逊做的是aws google 是g云。3朵云 nvda ai costco 超市 博通 芯片 meta 社交
用年为单位来看这些股票呢？
tidb 本质上也是一家数据库云公司
这些数据的背后本质上是sql语句
select FROM_UNIXTIME(date - date % 31536000) as stamp,avg(close) as v GROUP BY stamp order by stamp limit 100000
文章的末位 推荐一本正经的书
若有收获，就点个赞吧
手把手教学，yyds
强烈建议开个专题：重生之我在TiDB学MarkDown