code finance boursier.txt

import yfinance as yfimport yfinance as yf
from sklearn.linear_model import LinearRegression
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score

# Télécharger les données historiques des actions Apple
data_apple = yf.download("AAPL", start="2020-01-01", end="2023-06-12")

# Préparation des données pour la régression linéaire
data_apple['Clôture précédente'] = data_apple['Close'].shift(1)
data_apple.dropna(inplace=True)

# Entraînement du modèle de régression linéaire
X = data_apple[['Clôture précédente']]
Y = data_apple['Close']
model = LinearRegression()
model.fit(X, Y)

# Prédiction du prix de l'action pour le jour suivant
prediction = model.predict([[data_apple['Close'].iloc[-1]])
print(f"Le prix prédit de l'action Apple pour demain est : {prediction[0]:.2f}")

# Évaluation du modèle
predictions = model.predict(X)
r2 = r2_score(Y, predictions)
print(f"Le coefficient de détermination R² du modèle est : {r2:.2f}")

# Affichage des tendances du marché boursier pour l'indice S&P 500
data_sp500 = yf.download(tickers="^GSPC", start="2020-01-01", end="2023-06-12")
data_sp500['Moyenne mobile 20 jours'] = data_sp500['Close'].rolling(window=20).mean()
data_sp500['Moyenne mobile 50 jours'] = data_sp500['Close'].rolling(window=50).mean()

plt.figure(figsize=(12, 6))
plt.plot(data_sp500['Close'], label='Prix de clôture')
plt.plot(data_sp500['Moyenne mobile 20 jours'], label='Moyenne mobile 20 jours')
plt.plot(data_sp500['Moyenne mobile 50 jours'], label='Moyenne mobile 50 jours')
plt.legend()
plt.title('Tendances du marché boursier - Indice S&P 500')
plt.show()

# Ajout de fonctionnalités supplémentaires et d'analyses uniques
# Votre code personnalisé unique peut être ajouté ici

# Personnalisation du code pour le rendre plus distinctif et exclusif
# N'hésitez pas à me fournir des détails sur les fonctionnalités que vous souhaitez ajouter pour rendre le code unique.