• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Obtener los datos de cotización de acciones en Python

mayo 6, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En el ámbito financiero, acceder a datos precisos es esencial para poder realizar análisis acertados. Uno de los conjuntos de datos más relevantes y demandados son las cotizaciones de acciones. Para obtener esta información de manera efectiva, y, a ser posible, en tiempo real, es crucial contar con herramientas adecuadas. Una de las bibliotecas más populares para obtener los datos de cotización de acciones en Python es yfinance. En esta entrada, se explicará cómo instalar y utilizar yfinance para obtener datos de cotización de acciones, apoyándose en ejemplos prácticos.

Instalación de yfinance

La instalación de la biblioteca yfinance, como es habitual, se puede hacer mediante la utilización de pip, el administrador de paquetes de Python. Para ello solo se debe abrir una terminal o símbolo de sistema y ejecutar el siguiente comando:

pip install yfinance

Una vez finalizada la instalación, ya se podrá usar yfinance para obtener datos de cotización de acciones.

Uso básico de yfinance

La función principal de la biblioteca yfinance es download(), con la que se pueden descargar los datos de cotización de acciones desde Yahoo Finance. Por ejemplo, para obtener la cotización de Apple (AAPL) desde el 1 de enero de 2020 hasta el 1 de enero de 2024 se puede usar el siguiente código.

import yfinance as yf

# Obtener los datos de cotización de una acción
data = yf.download('AAPL', start='2020-01-01', end='2024-01-01')

# Mostrar las primeras filas del DataFrame
print(data.head())
                 Open       High        Low      Close  Adj Close     Volume
Date
2020-01-02 74.059998 75.150002 73.797501 75.087502 73.059433 135480400
2020-01-03 74.287498 75.144997 74.125000 74.357498 72.349129 146322800
2020-01-06 73.447502 74.989998 73.187500 74.949997 72.925636 118387200
2020-01-07 74.959999 75.224998 74.370003 74.597504 72.582649 108872000
2020-01-08 74.290001 76.110001 74.290001 75.797501 73.750252 132079200

En este ejemplo, en primer lugar se importa yfinance como yf y, a continuación, se llama la función download() con el nombre de la acción, la fecha de inicio y la finalización del periodo. Finalmente, los primeros valores se muestran por pantalla.

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

Publicidad


Valores devueltos

Como se puede ver en ejemplo anterior, la función download() devuelve un objeto DataFrame de Pandas que contiene los datos de cotización de la acción solicitada. El DataFrame tiene varias columnas, que incluyen ‘Open’ (precio de apertura), ‘High’ (precio máximo), ‘Low’ (precio mínimo), ‘Close’ (precio de cierre), ‘Volume’ (volumen de transacciones) y ‘Adj Close’ (precio de cierre ajustado).

Parámetros de la función download()

La función download() de yfinance cuenta con varios parámetros que se pueden usar para personalizar la consulta de datos. Algunos de los parámetros más importantes son:

  • tickers: El símbolo de la acción que deseas obtener. Puedes proporcionar un solo símbolo (por ejemplo, ‘AAPL’) o una lista de múltiples símbolos.
  • start y end: La fecha de inicio y finalización del período de tiempo para el que deseas obtener los datos de cotización. Se pueden especificar en formato ‘YYYY-MM-DD’.
  • period: En lugar de start y end, se puede usar este parámetro para especificar un período de tiempo relativo. Puede ser ‘1d’ para un día, ‘1mo’ para un mes, ‘1y’ para un año, etc.
  • interval: La frecuencia de los datos de cotización. Puede ser ‘1d’ para datos diarios, ‘1wk’ para datos semanales, ‘1mo’ para datos mensuales, etc.

Ejemplo de visualización

Una vez obtenidos los datos, se pueden usar estos en cualquier análisis o para mostrar estos en una gráfica. A continuación, se muestra un ejemplo en el que se traza el precio de cierre ajustado de la acción a lo largo del tiempo:

import matplotlib.pyplot as plt

# Trama del precio de cierre ajustado
data['Adj Close'].plot()
plt.title('Precio de cierre ajustado de AAPL')
plt.xlabel('Fecha')
plt.ylabel('Precio de cierre ajustado')
plt.show()
Gráfica con la cotización de las acciones de Apple
Precio de cierre ajustado de las acciones de Apple

Publicidad


Conclusiones

En esta entrada, se ha visto cómo instalar y utilizar la biblioteca yfinance para obtener los datos de cotización de acciones en Python. Analizando los datos que devuelve la función download() y los parámetros de esta. Con esta información es posible analizar la cotización de las acciones usando los datos de Yahoo Finance en Python de una forma fácil y sencilla.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

Publicado en: Python

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • ¿Puede la inteligencia artificial ser creativa? [Mitos de la Inteligencia Artificial 3] publicado el julio 2, 2024 | en Opinión
  • Cómo extender el tamaño de un disco en Rocky Linux 9 usando growpart y LVM publicado el septiembre 2, 2025 | en Herramientas
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Explorando Local Outlier Factor (LOF): Un enfoque eficaz para la detección de anomalías publicado el abril 12, 2024 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto