오늘코드todaycode_금융 및 주식

출처: NotebookLM 「오늘코드todaycode」 라벨 '금융 및 주식' (영상 11개, 중복 제외 11개) · 2026.10.05 생성

[1/3] 일별 주식 시세도 이거 하나면 코드 한줄로 전기간 수집이 가능하다?!

FinanceDataReader 라이브러리의 fdr.DataReader() 함수를 사용하면 단 한 줄의 코드로 개별 종목의 전기간 일별 시세를 손쉽게 수집할 수 있습니다.
삼성전자 종목코드('005930')를 문자열 형태로 전달하여 1997년부터 현재까지의 일별 주가 데이터를 받아왔습니다.
start 및 end 옵션 파라미터를 사용하면 원하는 특정 연도 및 날짜 범위를 지정하여 선택 수집할 수 있습니다.
수집된 데이터는 판다스 데이터프레임 구조로 변환되며 시가(Open), 고가(High), 저가(Low), 종가(Close), 거래량(Volume), 변동률(Change) 컬럼을 제공합니다.
종가(Close) 컬럼을 선택하여 판다스 내장 plot() 기능을 실행하면 날짜 인덱스를 X축으로 하는 주가 추이 그래프를 즉시 시각화할 수 있습니다.
종목코드를 모르는 상태에서 종목명(예: '삼성전자')만으로 시세를 수집하려면 거래소 전체 상장 목록과의 맵핑 작업이 추가로 필요합니다.

[2/2] ETF 전종목 수집 JSON 타입도 판다스로?!

JSON(JavaScript Object Notation)은 키-값(Key-Value) 쌍으로 구성된 개방형 표준 텍스트 데이터 포맷입니다.
네이버 금융 ETF 페이지의 비동기 통신(XHR/JS) URL을 통해 전체 ETF 목록 데이터를 JSON 형식으로 수집하였습니다.
파이썬 requests.get() 함수로 API 요청을 보내고, 응답받은 .json() 구조에서 'result' 및 'etfItemList' 키 항목에 접근하였습니다.
추출한 JSON 데이터를 pd.DataFrame()에 전달하면 단 한 줄로 깔끔한 판다스 데이터프레임으로 변환됩니다.
datetime.today() 및 strftime()을 활용하여 수집 시점의 연월일 날짜를 파일명에 자동 반영하는 로직을 구축하였습니다.
수집된 데이터프레임을 CSV 파일로 저장할 때 index=False를 지정하여 불필요한 인덱스 저장을 방지하였습니다.
저장한 CSV를 읽어올 때 6자리 종목코드의 앞자리 '0'이 누락되지 않도록 dtype={'itemcode': np.object_} 옵션을 부여하였습니다.

[1/2] ETF 전종목 브라우저의 네트워크 탭을 이해하면 코드 한 줄로 가능하다?!

ETF(상장지수펀드)는 소액으로 여러 종목에 분산 투자할 수 있는 인덱스 펀드로 거래소에서 주식처럼 거래됩니다.
네이버 금융 ETF 웹 페이지 주소로 pd.read_html()을 요청하면 테이블 데이터가 직접 수집되지 않는 현상이 발생합니다.
크롬 개발자 도구의 검사(Inspect) 및 네트워크(Network) 탭을 활용해 웹 페이지 내부의 비동기 통신 구조를 분석하였습니다.
네트워크 탭의 JS/XHR 항목에서 실질적인 ETF 데이터 리스트를 내려주는 API 패킷 주소(etfItemList.nhn)를 찾아냈습니다.
웹 브라우저가 화면을 띄우기 위해 백그라운드에서 호출하는 숨겨진 JSON API URL을 파악하는 스크래핑 핵심 기법을 제시하였습니다.

[1/3] 여러 종목의 수익률 어떻게 비교할까?!

FinanceDataReader 튜토리얼을 바탕으로 삼성전자, SK하이닉스, 현대차, 셀트리온, LG화학 등 다수 종목의 주가 데이터를 수집하였습니다.
반복문과 딕셔너리(Key-Value) 구조를 활용하여 각 종목별 종가(Close) 시리즈 데이터를 안전하게 취합하였습니다.
판다스 pd.concat(..., axis=1) 함수를 사용해 개별 종목들의 종가 데이터를 열(Column) 방향으로 병합하였습니다.
종가 금액 차이가 큰 종목들을 단일 축 그래프로 그릴 경우 금액 스케일 차이로 인해 주가 변동 추이 비교가 어려운 한계가 있습니다.
Matplotlib/Seaborn의 2축 그래프(secondary_y) 옵션을 적용하여 스케일이 서로 다른 두 종목의 주가 흐름을 수월하게 비교하였습니다.
데이터의 첫 번째 날 종가 가격으로 모든 행을 나누어 주는 방식을 통해 기간별 수익률 변화를 손쉽게 표준화하여 시각화하였습니다.

[1/3] ETF 전종목 전처리 - 종목코드가 제대로 표시되지 않는다면?!

CSV 파일 로드 시 pd.read_csv()의 dtype 옵션에 np.object_를 지정하여 종목코드 앞자리의 '0'이 사라지는 현상을 방지하였습니다.
수집된 ETF 데이터의 숫자 컬럼명을 직관적인 한글 컬럼명(종목명, 현재가, 전일대비, 등락률, 순자산가치 등)으로 매핑하여 정제하였습니다.
df.info() 및 df.describe()를 실행하여 결측치 존재 여부, 데이터 타입, 메모리 점유량을 종합 확인하였습니다.
거래량(quant) 및 거래대금(amount) 컬럼을 기준으로 sort_values(ascending=False) 정렬을 수행하여 상위 거래 종목을 추출하였습니다.
ETF 탭 코드(1~7번)가 국내 시장지수, 국내 업종/테마, 파생, 해외주식, 원자재, 채권, 기타 등 각 카테고리 항목을 의미함을 검증하였습니다.
불리언 인덱싱(Boolean Indexing)을 활용해 특정 탭 코드 항목만 서브셋으로 추출하고 분석하는 기법을 실습하였습니다.

[1/20] ETF분석 시작하기 - 데이터로드 폰트와 스타일 설정

수집 및 전처리가 완료된 ETF 분석 파일을 로드하고 분석 환경을 설정하는 기초 작업을 다루었습니다.
OS 환경(Windows의 Malgun Gothic, Mac의 AppleGothic)에 알맞게 매트플롯립 한글 폰트를 자동 설정하는 get_font_family() 함수를 정의하였습니다.
차트 축의 음수(-, 마이너스) 기호 깨짐을 방지하기 위해 plt.rc('axes', unicode_minus=False) 옵션을 부여하였습니다.
set_matplotlib_formats('retina')를 설정하여 고해상도 디스플레이 환경에서 선명한 차트를 출력하도록 지정하였습니다.
Seaborn의 시각화 스타일(sns.set_theme(style='whitegrid')) 적용 시 한글 폰트 설정보다 먼저 선언해야 폰트 초기화를 막을 수 있습니다.
Seaborn의 범주형 데이터 시각화 도구인 catplot 계열(barplot, boxplot, violinplot)과 서브플롯 도구인 PairGrid, FacetGrid의 차이를 안내하였습니다.

KRX분석 [1/13] 한국거래소 전체 종목분석 강좌소개와 데이터로드 미리보기

단 2장의 문서로 판다스 핵심 기능을 한눈에 파악할 수 있는 'Pandas Cheat Sheet' 가이드를 기반으로 실습을 진행하였습니다.
표 형태의 2차원 데이터를 다루는 '데이터프레임(DataFrame)'과 단일 행/열로 구성된 '시리즈(Series)' 자료구조의 개념을 정리하였습니다.
pd.read_csv()로 상장 종목 파일을 불러오고 df.shape를 통해 전체 행과 열의 크기를 확인하였습니다.
df.head(), df.tail(), df.sample() 함수를 활용해 상단, 하단, 임의의 샘플 데이터를 미리보기 하였습니다.
df.info() 및 df.describe()를 사용해 데이터 타입, 결측치 개수, 수치형/범주형 데이터의 기술통계량을 요약 분석하였습니다.
수집 시점에 따라 신규 상장이나 상장 폐지로 인해 종목 수 및 분석 결과 수치가 차이 날 수 있음을 안내하였습니다.

KRX 한국 거래소 전체 주식 종목 리스트 이거 하나면 코드 한 줄로 수집 가능하다?! - FinanceDataReader

오픈소스 라이브러리인 FinanceDataReader(fdr)의 개념과 깃허브 오픈소스 배경을 소개하였습니다.
주피터 노트북 환경에서 pip install finance-datareader 명령어로 라이브러리를 간편하게 설치하는 방법을 안내하였습니다.
fdr.StockListing('KRX') 함수 단 한 줄로 코스피, 코스닥, 코넥스를 포함한 한국거래소 상장 전체 종목 리스트를 로드하였습니다.
상장 종목 데이터프레임은 종목코드(Symbol), 시장 구분(Market), 종목명(Name), 섹터(Sector), 산업군(Industry), 상장일(ListingDate) 등의 컬럼으로 구성됩니다.
df.describe()를 통해 시장별 종목 수, 가장 비중이 높은 섹터(특수목적용 기계 제조업) 및 산업군(기업인수합병) 등 기술통계량을 확인하였습니다.
수집한 상장 목록 데이터를 to_csv('krx.csv', index=False)로 저장을 수행하여 파일로 관리하고, pd.read_csv()로 다시 로드하는 과정을 실습하였습니다.

🌱 인프런 📈 증권 데이터 수집과 분석으로 신호와 소음 찾기⚡️ 강좌가 오픈되었습니다.

유튜브 파이썬 증권 데이터 분석 강좌의 피드백을 반영하여 보완·출시된 인프런 실무 교육 과정을 소개하였습니다.
FinanceDataReader, Requests, BeautifulSoup, tqdm을 활용한 데이터 수집 및 크롤링 파이프라인 구축 기법을 안내하였습니다.
판다스의 melt(), groupby(), pivot_table(), crosstab() 및 merge()를 활용한 데이터 정제 및 통계 분석 기법을 다루었습니다.
Matplotlib, Seaborn(정적 시각화) 및 Plotly, Cufflinks(동적 시각화)를 결합하여 입체적인 시각화 도구를 활용합니다.
코스피 200, 테마주, ETF 전체 종목 및 기업 투자정보(시가총액, 배당수익률, PER, 52주 최고가 대비 손실률) 분석 실습을 포함하였습니다.
HTS/MTS에서 실제 사용하는 이동평균선 등 다양한 보조지표와 기술적 분석 지표를 파이썬 코드로 직접 구현해 봅니다.
코드가 작성된 실습 파일과 비어있는 실습용 파일을 함께 제공하여 효과적인 반복 학습을 지원합니다.

[2/3] 종목명으로 종목코드를 찾아 일별 시세를 수집하자

KRX 상장 종목 데이터프레임에서 종목명(Name)으로 검색하여 해당 종목의 6자리 심볼 코드를 추출하였습니다.
df_krx.loc[df_krx['Name'] == item_name, 'Symbol'] 조건식과 .tolist()를 활용해 심볼 문자열을 가져왔습니다.
종목명을 입력받아 종목코드를 반환하는 item_code_by_item_name() 사용자 정의 함수를 정의하였습니다.
입력한 종목명이 존재하지 않거나 오타가 발생할 때 IndexError가 나지 않도록 if len(...) > 0: 조건식으로 예외 처리를 적용하였습니다.
대소문자를 엄격히 구분하는 영문 종목명(예: 'NAVER') 검색 시 정확한 알파벳 입력이 필요함을 확인하였습니다.
추출한 종목코드를 fdr.DataReader()에 자동 전달하여 종목명 입력만으로 일별 시세를 즉시 수집하는 자동화 함수를 제작하였습니다.

도서리뷰 파이썬을 활용한 금융분석 2판 -파이썬의 기초부터 금융공학, 머신러닝, 퀀트 분석, 매매 시스템 구현까지

이브스 힐피쉬(Yves Hilpisch) 저, 김도형 박사 번역의 파이썬 금융 분석 분야 대표 실무 가이드북을 리뷰하였습니다.
파이썬 기초 문법부터 넘파이, 판다스, 확률통계, 머신러닝, 알고리즘 트레이딩, 매매 시스템 자동화까지 폭넓은 스펙트럼을 다룹니다.
판다스 라이브러리가 본래 금융 퀀트 분석용으로 개발되었음을 밝히며, 금융 데이터를 통해 판다스의 진가를 깊이 있게 이해할 수 있음을 강조합니다.
아나콘다, 도커 컨테이너, 클라우드 환경 구축 및 대용량 실시간 금융 데이터 처리를 위한 성능 최적화 기법을 다룹니다.
어려운 수학 공식과 확률 통계 이론을 실제 금융 데이터 연산 및 볼린저 밴드, RSI 차트 구현에 적용하면서 실용적으로 학습할 수 있습니다.
해외 대형 투자은행들의 파이썬 기반 리스크 관리 및 트레이딩 시스템 구축 트렌드와 국내 금융권의 파이썬 도입 변화를 설명합니다.

라벨 종합 정리

FinanceDataReader, Requests, 크롬 개발자 도구 네트워크 탭 분석을 활용하면 KRX 전체 상장 종목, 개별 주가, ETF 전종목 데이터를 단 한 줄 또는 API 요청으로 손쉽게 수집할 수 있습니다.

수집한 주식 및 ETF 데이터는 판다스의 문자열 타입 지정(object), concat(), melt(), 2축 시각화(secondary_y), 수익률 표준화를 통해 체계적으로 정제 및 분석됩니다.

종목명 기반 종목코드 자동 검색 함수 및 예외 처리 로직을 구축하고, Matplotlib/Seaborn/Plotly 시각화와 금융공학·퀀트 매매 전략을 접목하여 파이썬 증권 데이터 분석 생산성을 크게 극대화할 수 있습니다.