Quandl es una plataforma que recopila bases de datos financieros de diversas fuentes.
Puedes encontrar datos de tipos de cambio, cotizaciones de acciones y futuros, datos demográficos, información contable de empresas cotizadas, datos macroeconómicos, etc.
Lo que me parece realmente interesante en este proveedor de datos es su facilidad para conectarse con varias plataformas. Quandl tiene integraciones con la mayoría de los principales lenguajes y herramientas analíticas.
Hace ya unos años publicamos en el blog una guía utilizar datos de Quandl con Amibroker. Desde entonces varias cosas han evolucionado y ahora también puedes utilizar los datos de Quandl con Quantopian, R, Matlab, Satata, TradingView, Wealth-lab, …
En el post de hoy la idea es compartir un notebook (al estilo template) para obtener datos financieros de Quandl utilizando Python.
Comenzamos…
Buscar bases de datos financieros
Lo primero es encontrar la base de datos («datasets»). Para esto puedes usar el buscador de la web de quandl, marcando el tipo de dato al que necesitas tener acceso.
Una vez dentro de la base de datos puedes ver el código Quandl del dataset (lo necesitarás para la descarga) y las distintas opciones (datos en diario, semanal, porcentaje, acumulados, etc)
Conexión con API: necesitas una API Key
Es importante saber que algunas bases de datos están disponibles de forma gratuita y otras son de pago.
Para usar cualquier set de datos, ya sea gratuito o de pago, es necesario tener una API key. Para esto,simplemente hay que crear una cuenta (es gratuita) y entonces tendrás acceso a esta clave para poder conectarte.
3 maneras de obtener datos financieros desde Quandl utilizando Python
Las 3 formas más simples de obtener y poder trabajar estos datos en Python son:
1) Descargar el archivo desde Quandl en CSV y leerlo utilizando pandas
2) Utilizar la función DataReader del package pandas
3) Utilizar el propio package de Quandl para Python
Puedes ver un ejemplo en el siguiente notebook: quandl_pyhton
Una vez tenemos los datos en nuestro entorno operativo podremos pasar a la etapa de limpieza y transformación de datos. Pero esto es ya es otra historia…
Nota: Esto NO es un post patrocinado. Lo comparto simplemente porque pienso que puede resultar útil para todos aquellos que tengan ganas de «machacar un poco los datos».
Si te gustan los artículos y quieres seguir este blog, te puedes suscribir por correo electrónico y recibirás las entradas y los extras directamente en tu correo.
También puedes seguirlo o compartir por Google+, Twitter, Feedly o Facebook.
