Portfolio-Manager / Code_1.txt
Enes Berke Karaoğlan
fix: DataFrame hatası düzeltildi, Code_1.txt eklendi ve demo video yüklendi.
6a2e1f1
import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import yfinance as yf
# Başlık
st.title('Portföy Yönetim Aracı')
# Kullanıcıdan hisse senedi sembollerini alın
st.sidebar.header("Portföy Bilgileri")
symbols = st.sidebar.text_input("Hisse Senedi Sembolleri (Virgülle Ayırın)", "AAPL, MSFT, TSLA")
symbols = [sym.strip().upper() for sym in symbols.split(',')]
# Kullanıcıdan her hisse senedi için yatırım miktarını alın
amounts = {}
for sym in symbols:
amount = st.sidebar.number_input(f'{sym} için yatırım miktarı girin :', min_value=0, value=1000)
amounts[sym] = amount
def load_data(symbols):
data = {}
for sym in symbols:
# Verileri indirin ve sadece 'Close' (kapanış) fiyatlarını alın
data[sym] = yf.download(sym, start="2022-01-01", end="2024-01-01")['Close']
# Eğer data sözlüğü boştur veya yanlışsa, uygun hata mesajı döndür
if not data:
raise ValueError("Veri çekilmedi. Lütfen hisse senedi sembollerini kontrol edin.")
# Her bir sembol için kapanış fiyatlarını içeren DataFrame'i oluşturun
df = pd.DataFrame(data)
# Eğer df içeriği eksikse veya bir sorun varsa, uygun hata mesajı döndür
if df.empty:
raise ValueError("Oluşturulan DataFrame boş.")
return df
# Veriyi yükleyin
df = load_data(symbols)
# Portföy performansını hesaplayın
total_investment = sum(amounts.values()) # Toplam yatırım miktarını hesaplayın
portfolio_value = df.iloc[-1] * pd.Series(amounts) # Her bir hissenin mevcut değerini hesaplayın
portfolio_value_total = portfolio_value.sum() # Portföyün toplam değerini hesaplayın
st.write(f"Toplam yatırım miktarı: ${total_investment:.2f}")
st.write(f"Her bir hissenin mevcut değeri:")
st.write(portfolio_value)
st.write(f"Portföyün toplam değeri: ${portfolio_value_total:.2f}")
# Plotly ile Etkileşimli Grafikler
import plotly.express as px
# Interaktif Hisse Fiyat Grafiği
fig = px.line(df, title = "Hisse Senedi Fiyatları")
st.plotly_chart(fig)
# Portföy Dağıılım Grafiği
fig = px.bar(x = amounts.keys(), y = portfolio_value, labels = {"x" : 'Yatırım Araçları', 'y' : 'Portföy Değeri' })
st.plotly_chart(fig)
# Getiri Hesaplama
daily_returns = df.pct_change().dropna()
st.write("Günlük Getiriler:")
st.dataframe(daily_returns)
# Aylık ve Yıllık Getiriler
monthly_returns = df.resample('M').ffill().pct_change().dropna()
annual_returns = df.resample('Y').ffill().pct_change().dropna()
st.write("Aylık Getiriler:")
st.dataframe(monthly_returns)
st.write("Yıllık Getiriler:")
st.dataframe(annual_returns)
# Risk Analizi #
# Volatilite Hesaplama
volatility = daily_returns.std() * np.sqrt(252) # Yıllık Volatilite
st.write("Volatilite (Yıllık) : " , "Volatilite, bir varlığın fiyatındaki dalgalanmaların büyüklüğünü ifade eder. Bu kod, günlük volatiliteyi yıllık volatiliteye çevirir ve bunu gösterir.",
"Volatilite 0.29, yıllık bazda bir varlığın fiyatında %29'luk bir dalgalanma bekleyebileceğinizi ifade eder. Bu, varlığın yıllık getirisinin ortalamadan %29 sapma gösterebileceği anlamına gelir.")
st.dataframe(volatility)
# Portföyün beta değeri
beta = daily_returns.cov() / daily_returns.var()
st.write("Beta Değeri :" , " bir varlığın veya portföyün piyasa ile olan ilişkisini ölçer. Piyasa riskine karşı duyarlılığı anlamak için kullanılır.",
"Özetle, beta değeri 0,70 olan bir varlık, piyasa hareketlerine kıyasla daha az dalgalanma gösterir." ,
"Yani, bu varlık, piyasanın genel hareketlerinden daha az etkilenir ve daha stabil bir performans sergiler. Bu durum, yatırımcılar için daha düşük riskli bir yatırım anlamına gelir.")
st.dataframe(beta)
# Hareketli Ortalama
window_size = st.sidebar.slider("Hareketli Ortalama Penceresi (Gün)", 5, 100, 20)
moving_avg = df.rolling(window=window_size).mean()
st.write(f"{window_size} Günlük Hareketli Ortalama:")
st.line_chart(moving_avg)
# Filtreler
start_date = st.sidebar.date_input("Başlangıç Tarihi", pd.to_datetime("2023-01-01"))
end_date = st.sidebar.date_input("Bitiş Tarihi", pd.to_datetime("2024-01-01"))
# Tarih aralığına göre veriyi filtrele
start_date = pd.to_datetime(start_date)
end_date = pd.to_datetime(end_date)
z
if start_date < end_date:
filtered_data = df[(df.index >= start_date) & (df.index <= end_date)]
st.line_chart(filtered_data)
else:
st.error("Başlangıç tarihi bitiş tarihinden sonra olmamalıdır.")
# Monte Carlo Simülasyonu
mean_returns = daily_returns.mean() # Ortalama günlük getiriler
simulations = 1000
simulation_df = pd.DataFrame()
for x in range(simulations):
simulated_prices = []
for symbol in symbols:
price_series = [df[symbol].iloc[-1]]
for _ in range(365): # 1 yıl
price_series.append(price_series[-1] * (1 + np.random.normal(mean_returns[symbol], volatility[symbol])))
simulated_prices.append(price_series)
simulation_df[x] = pd.Series([np.sum(sim) for sim in zip(*simulated_prices)])
st.line_chart(simulation_df)