Stock Market Analysis

Börsenanalyse

Ziele

• Erstellen eines Modells zur Vorhersage der Aktienkurse für die nächsten drei Tage anhand historischer Daten.
• Stimmungsanalyse in den Nachrichten/Twitter zu einer bestimmten Aktie.
• Vergleich zweier oder mehrerer Unternehmen anhand ihrer Branche.
• Suchmaschine zur Nutzung von Information-Retrieval-Techniken für die Suche.
• Erstellen einer Webanwendung zur Erstellung umfassender Berichte und Zusammenstellung der Ergebnisse.

Arbeit erledigt

• Vorhersagemodul
  • Das Modell nimmt den Schlusskurs und das gehandelte Volumen aller vier Währungen für 60 Zeiträume und schlägt vor, ob wir LITECOIN drei Zeiträume in der Zukunft kaufen oder verkaufen sollten.
  • Endgültiges Modell, das 5-Jahres-Aktiendaten und Twitter-Stimmungen als Input berücksichtigt und zukünftige Preise/Vorschläge zum Kauf oder Verkauf der Aktie liefert.
• Modul zur Stimmungsanalyse
  • Der erste Schritt bestand darin, ein Modell zu erstellen, um die Polarität eines einzelnen Tweets zu überprüfen
  • Verwendung des Twitter-Feeds der Aktie als Eingabe
  • Der Feed wird dann von einem Klassifikator (Glob) verarbeitet und über seine Polarität entschieden
  • Der Prozentsatz positiver negativer oder neutraler Tweets wird in Form eines Balkendiagramms dargestellt.
  • Nachrichten integrieren
  • Detaillierte quantitative Stimmungsanalyse (z. B. Innovation für Technologie)
• Visualisierungsmodul
  • Erstellen Sie ein Portal für Investoren, auf dem sie Analysen und Neuigkeiten über das Unternehmen finden können.
  • Zeigen Sie ein Diagramm an, das die Zeitreihendarstellung des Schlusskurses des Unternehmens zeigt.
  • Zeigen Sie Parameter wie Marktkapitalisierung, Buchwert, Umsatzwachstum und andere unternehmensspezifische Details an.
  • Zeigen Sie eine fundamentale Analyse des Unternehmens an, die Bilanzen, GuV-Salden und Cashflows des Unternehmens umfasst.
  • Aktuelle Nachrichten/Mitteilungen des Unternehmens anzeigen
• Vergleichsmodul
  • Vergleich zwischen zwei oder mehr Aktien basierend auf dem Aktienkurs – Visualisierung durchgeführt
  • Vergleich zwischen zwei oder mehr Aktien basierend auf Rendite und Wachstumsrate
  • Vergleich basierend auf dem Preismodell für Kapitalanlagen
  • Vergleich abhängig vom Visualisierungsmodul
• Suchmaschinenmodul
  • Der Prototyp nimmt Anfragen des Benutzers entgegen und leitet sie an das IR-System weiter.
  • Das IR-System wertet die Anfrage aus und gibt die besten Ergebnisse aus der Datenbank aus.
  • Der wichtigste Punkt, den es hier zu beachten gilt, ist, dass es sich hierbei nicht um einen einfachen Abfrageergebnisfall eines RDBMS-Systems handelt, sondern dass wir hier unstrukturierte Daten haben und die Ergebnisse auf der Grundlage der Auswertungsergebnisse des IR-Systems erhalten.
  • Automatische Vervollständigung mit Entfernung bearbeiten
  • Platzhalterabfragen

Unser Hauptprojekt befindet sich im Visualisierungsmodul des Master-Zweigs.

Erste Schritte

Mit diesen Anweisungen erhalten Sie eine Kopie des Projekts, die zu Entwicklungs- und Testzwecken auf Ihrem lokalen Computer ausgeführt werden kann

Voraussetzungen

Welche Dinge Sie benötigen, um die Software zu installieren

 git
Python3
pip3
virtualenv [If no anaconda present]
Good internet connection : For retrieving data from APIs

Die Installation von Anaconda ist besser, da die meisten Abhängigkeiten berücksichtigt werden.

Installieren und ausführen

Eine Schritt-für-Schritt-Reihe von Beispielen, die Ihnen zeigen, wie Sie eine Entwicklungsumgebung zum Laufen bringen

Klonen des Repositorys auf Ihrem Computer

 git clone https://github.com/CapstoneProject18/Stock-Market-Analysis.git

Erstellen einer virtuellen Umgebung und Starten der Umgebung (falls kein Anaconda installiert ist)

 virtualenv env

For windows : envScriptsactivate.bat
For linux   : source env/bin/activate 

Installationsanforderungen

 cd visualization
pip3 install -r requirements.txt

Ausführen des Projekts

 python3 manage.py runserver

Öffnen Sie das Browserfenster und gehen Sie in einem neuen Tab zum Link http://127.0.0.1:8000

Mitwirkende

• Ayush Dosajh – Stimmungsmodul
• Ganesh Singh – Vorhersagemodul
• Gulshan Singh – Suchmaschinenmodul
• Mayank Singh – Visualisierungsmodul
• Sangamesh Kotalwar – Vergleichsmodul

Anerkennung

Wir sind Herrn Manish Hurkat und Herrn Bhavesh Sangwan für ihre Anleitung und ständige Aufsicht sowie für die Bereitstellung der notwendigen Informationen zum Projekt und auch für ihre Unterstützung bei der Fertigstellung des Projekts zu großem Dank verpflichtet. Wir erkennen an, dass alle Arbeiten, die ich zur Bewertung an der NIIT University einreiche:

• Es muss ausschließlich meine eigene Arbeit sein, es sei denn, diese Anforderung wird im Rahmen einer bestimmten Gruppenaufgabe ausdrücklich ausgeschlossen.
• Darf nicht mit Hilfe einer anderen Person erstellt worden sein, es sei denn, dies ist in den Richtlinien der Universität oder den spezifischen Bewertungsrichtlinien für die Arbeit zulässig.
• Wurde noch nicht zur Beurteilung an dieser Universität oder anderswo eingereicht.