pykrx 라이브러리 사용법2

종목별 DIV/BPS/PER/EPS 조회

get_market_fundamental 함수는  DIV/BPS/PER/EPS/PBR를 조회합니다.

df = stock.get_market_fundamental("20250416")
df.head()

 

default가 KOSPI임으로 조회가 안되는 종목이 있으니 market = "ALL" 설정해 주십시오.

df = stock.get_market_fundamental("20250416", market="ALL")
#market 값은 KOSPI / KOSDAQ / KONEX / ALL 입니다.

 

일자별 DIV/BPS/PER/EPS 조회

get_market_fundamental 함수는 특정 종목에 대해 입력된 기간의 DIV/BPS/PER/EPS/PBR 리턴합니다.

 

df = stock.get_market_fundamental("20241203", "20250416", "005930")
df.tail()

펀더멘탈 정보를 월별로 보려면 빈도를 주시면 됩니다.

df = stock.get_market_fundamental("20240101", "20250416", "005930", freq="m") #월:m, 년:y
df

 

삼성전자의 PER(Price Earnings Ratio, 주가수익비율)가 많이 낮아진것으로 알 수 있습니다.

 

일자별 거래실적 추이 (거래대금)

get_market_trading_value_by_date 지정된 기간 동안의 일자별로 정렬된 (순매수) 거래량을 얻어옵니다. 당일자 최종 매매내역은 오후 6시 이후에 제공됩니다. 매수, 매도만 조회할때는 (ex. on = '매도') 옵션을 사용한다.

from duckdb
from matplotlib.ticker import ScalarFormatter
from matplotlib.ticker import FuncFormatter
df = stock.get_market_trading_value_by_date("20241203", "20250416", "005930")
df["ticker"] = '005930'
df = df.reset_index()
df = df.drop('전체', axis=1)
df = df[['날짜','ticker','기관합계','외국인합계','기타법인','개인']]
df.to_csv("buy.csv",index=False, encoding='utf-8-sig')  #파일 저장

ticker = duckdb.query("""
    SELECT 날짜,외국인합계,기관합계 FROM read_csv_auto('buy.csv', HEADER=TRUE) 
""").to_df()

#그래프
plt.figure(figsize=(10, 5))
formatter = FuncFormatter(lambda x, _: f'{x / 1000000:.0f}')
plt.plot(ticker["날짜"], ticker["외국인합계"], label='외국', marker='o')
plt.plot(ticker["날짜"], ticker["기관합계"], label='기관', marker='s')
plt.title("외국인 & 기관  매수금액(단위:백만원)")
plt.xlabel("날짜")
plt.ylabel("금액")
plt.legend()
plt.grid(True)
# y축을 1000000 단위로 나눠서 표시
plt.gca().yaxis.set_major_formatter(formatter)
plt.tight_layout()
plt.show()

시장의 거래대금을 조회할 때는 ETF, ETN ELW의 포함 여부를 지정할 수 있습니다. 만약 값을 지정하지 않는다면 해당 데이터를 제외한 값을을 반환합니다. 

df = stock.get_market_trading_value_by_date("20250401", "20250416", "KOSPI", etf=True, etn=True, elw=True)
df.head()

 

시장의 거래금액에 대해서 상세하게 보려면 detail=True 옵션을 설정합니다.

df = stock.get_market_trading_value_by_date("20250401", "20250416", "KOSPI", etf=True, etn=True, elw=True,detail=True)
df.head()

 

일자별 거래실적 추이 (거래량)

get_market_trading_volume_by_date 일자별 시장의 거래량을 조회합니다.

df = stock.get_market_trading_volume_by_date("20250101", "20250416", "005930")
df.head()

df = stock.get_market_trading_volume_by_date("20250101", "20250416", "ALL") #KOSPI, KOSDAQ, KONEX, ALL
df.head()

 

거래대금과 동일하게 ETF,ETN 거래량과 상세항목까지 동일하게 확인 가능하다.

#ETF,ETN포함
df = stock.get_market_trading_volume_by_date("20250101", "20250416", "KOSPI", etf=True, etn=True, elw=True)
df.head()
#상세내역
df = stock.get_market_trading_volume_by_date("20250101", "20250416", "KOSPI", etf=True, etn=True, elw=True, detail=True)
print(df.head())

 

투자자별 거래실적 추이 (거래대금)

투자자별 거래대금 조회

df = stock.get_market_trading_value_by_investor("20250401", "20250416", "005930")
df.head()

 

세 번째 파라미터에 KOSPI, KOSDAQ, KONEX를 지정하면 각 시장의 거래대금을 조회

df = stock.get_market_trading_value_by_investor("20210416", "20210416", "KOSPI") #KOSPI,KOSDAQ,KONEX
df

 

ETF,ETN포함 시 동일하게 설정해 주어야 함

df = stock.get_market_trading_value_by_investor("20250416", "20250416", "KOSPI", etf=True, etn=True, elw=True)
df

 

투자자별 거래실적 추이 (거래량)

거래량도 거래대금과 동일하게 조회할 수 있다.

종목별 조회

• stock.get_market_trading_volume_by_investor("20250401", "20250416", "005930")

시장조회

• stock.get_market_trading_volume_by_investor("20250401", "20250416", "KOSPI")

시장조회(ETF포함)

• stock.get_market_trading_volume_by_investor("20250401", "20250416"", "KOSPI", etf=True, etn=True, elw=True)

투자자별 순매수 상위종목

get_market_net_purchases_of_equities 는 순매수 금액 순서로 정렬된 종목 리스트를 반환합니다.

투자자 항목은  금융투자 / 보험 / 투신 / 사모 / 은행 / 기타금융 / 연기금 / 기관합계 / 기타법인 / 개인 / 외국인 / 기타외국인 / 전체 입니다.

df = stock.get_market_net_purchases_of_equities("20250414", "20250416", "ALL", "외국인")
df.head(10)

 

 

종목별 시가 총액 조회

get_market_cap 는 특정 일자의 종목별 시가총액/거래량/거래대금/상장주식수/외국인보유주식수를 조회합니다.

df = stock.get_market_cap("20250416")
df.head()

 

일자별 시가 총액 조회

get_market_cap 함수는 특정 종목의 일자별 시가총액/거래량/거래대금/상장주식수 를 알수 있습니다.

df = stock.get_market_cap("20250412", "20250416", "005930")
df.head()

get_market_cap() frequency 파라미터(d/m/y)를 추가할 수 있습니다. d는 일자, m은 월, y는 연도입니다.

월로 보고자 한다면 다음과 같습니다.

df = stock.get_market_cap("20240101", "20250416", "005930",'m')

plt.figure(figsize=(10, 5))
plt.plot(df.index, df["거래량"], label='거래량', marker='o')
plt.title("거래량")
plt.xlabel("날짜")
plt.ylabel("거래량")
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

주로 사용하는 함수를 알아보았습니다.

이 데이터를 기반으로 머신러닝 등으로 주가 예측하는 모델을 만들어 가도록 하겠습니다.

종목 선정을 위해 데이터의 융합등이 필요할 것으로 보이네요.

몇가지 데이터를 합쳐서 사용하기 용이하도록 하는 글을 다음에 올리도록 하겠습니다.