Analyse boursière
Objectifs
- Création d'un modèle pour prédire les cours boursiers sur les 3 prochains jours à l'aide de données historiques.
- Analyse du sentiment sur les actualités/twitter liées à un titre particulier.
- Comparer deux ou plusieurs entreprises en fonction de leur secteur d'activité.
- Moteur de recherche permettant d'utiliser des techniques de récupération d'informations pour la recherche.
- Créer une application Web pour produire des rapports complets et compiler les résultats.
Travail effectué
- Module de prédiction
- Le modèle prend le prix de clôture et le volume négocié des quatre devises sur 60 périodes et suggère si nous devons acheter ou vendre du LITECOIN, sur 3 périodes dans le futur.
- Modèle final qui prendra en compte 5 ans de données boursières et de sentiments sur Twitter pour donner les prix/suggestions futurs sur l'achat ou la vente du titre.
- Module d'analyse des sentiments
- La première étape consistait à créer un modèle pour vérifier la polarité d'un seul tweet.
- Utiliser le flux Twitter du titre comme entrée
- L'aliment est traité par un classificateur (glob) et sa polarité est décidée
- Le pourcentage de tweets positifs, négatifs ou neutres est tracé sous la forme d'un graphique à barres.
- Intégrer l'actualité
- Analyse quantitative détaillée du sentiment (par exemple - Innovation for Tech)
- Module de visualisation
- Créez un portail pour les investisseurs où ils peuvent trouver des analyses, des actualités sur l'entreprise.
- Affichez un graphique montrant le tracé de la série chronologique du prix de clôture de l'entreprise.
- Affichez des paramètres tels que la capitalisation boursière, la valeur comptable, la croissance des ventes et d'autres détails spécifiques à l'entreprise.
- Afficher l'analyse fondamentale de l'entreprise qui comprend les bilans, les soldes P&L et les flux de trésorerie de l'entreprise.
- Afficher les actualités récentes / Annonce faite par l'entreprise
- Module de comparaison
- comparaison entre deux ou plusieurs actions en fonction du cours de l'action - visualisation effectuée
- comparaison entre deux actions ou plus basée sur les rendements et le taux de croissance
- Comparaison basée sur le modèle d'évaluation des immobilisations
- Comparaison dépendante du module de visualisation
- Module moteur de recherche
- Le prototype prend la requête de l'utilisateur et la transmet au système IR.
- Le système IR évalue la requête et affiche les meilleurs résultats de la base de données.
- Le point clé à noter ici est qu'il ne s'agit pas d'un simple cas de résultat de requête du système SGBDR, mais que nous avons ici des données non structurées et que, sur la base des résultats d'évaluation du système IR, nous obtenons les résultats.
- Remplissage automatique à l'aide de Modifier la distance
- Requêtes génériques
Notre projet principal réside dans le module de visualisation de la branche master.
Commencer
Ces instructions vous permettront d'obtenir une copie du projet opérationnel sur votre ordinateur local à des fins de développement et de test.
Conditions préalables
De quoi avez-vous besoin pour installer le logiciel
git
Python3
pip3
virtualenv [If no anaconda present]
Good internet connection : For retrieving data from APIs
L'installation d'Anaconda sera meilleure car la plupart des dépendances seront prises en charge.
Installation et exécution
Une série d'exemples étape par étape qui vous expliquent comment faire fonctionner un environnement de développement
Cloner le référentiel sur votre machine
git clone https://github.com/CapstoneProject18/Stock-Market-Analysis.git
Construire un environnement virtuel et démarrer l'environnement (si aucun anaconda n'est installé)
virtualenv env
For windows : envScriptsactivate.bat
For linux : source env/bin/activate
Exigences d'installation
cd visualization
pip3 install -r requirements.txt
Exécution du projet
python3 manage.py runserver
Ouvrez la fenêtre du navigateur et dans un nouvel onglet, accédez au lien http://127.0.0.1:8000
Contributeurs
- Ayush Dosajh - Module Sentiment
- Ganesh Singh - Module de prédiction
- Gulshan Singh - Module moteur de recherche
- Mayank Singh - Module de visualisation
- Sangamesh Kotalwar - Module de comparaison
Reconnaissance
Nous sommes très reconnaissants à M. Manish Hurkat et M. Bhavesh Sangwan pour leurs conseils et leur supervision constante ainsi que pour avoir fourni les informations nécessaires concernant le projet et également pour leur soutien dans la réalisation du projet. Nous reconnaissons que tout travail que je soumets pour évaluation à l'Université NIIT :
- Doit être entièrement mon propre travail, à moins que cette exigence soit spécifiquement exclue lorsqu'elle fait partie d'un travail de groupe désigné.
- Ne doit pas avoir été préparé avec l'aide de toute autre personne, à l'exception de celles autorisées par les lignes directrices de l'Université ou les lignes directrices d'évaluation spécifiques au travail.
- N'a pas déjà été soumis pour évaluation dans cette université ou ailleurs.
