Update app.py

app.py

@@ -3,6 +3,7 @@ import yfinance as yf
 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
+import seaborn as sns
 import scipy.optimize as sco
 
 def get_stock_data(tickers, start, end):
@@ -56,88 +57,84 @@ def generate_efficient_frontier(returns, cov_matrix, num_portfolios=5000):
     
     return results
 
-st.title("Analisis Portofolio Saham Optimal (Model Markowitz)")
-
-st.markdown("""
-### Teori Markowitz
-Model Markowitz, atau Modern Portfolio Theory (MPT), digunakan untuk membangun portofolio investasi optimal dengan memaksimalkan return untuk tingkat risiko tertentu.
+def plot_correlation_heatmap(data):
+    correlation_matrix = data.corr()
+    fig, ax = plt.subplots()
+    sns.heatmap(correlation_matrix, annot=True, cmap="coolwarm", ax=ax)
+    st.pyplot(fig)
 
-Portofolio yang optimal ditemukan dengan menghitung kombinasi terbaik dari aset yang tersedia untuk meminimalkan risiko dan memaksimalkan return.
-""")
+def plot_moving_averages(data, stock):
+    fig, ax = plt.subplots()
+    data[stock].plot(label='Harga', ax=ax)
+    data[stock].rolling(window=50).mean().plot(label='SMA 50', ax=ax)
+    data[stock].rolling(window=200).mean().plot(label='SMA 200', ax=ax)
+    ax.legend()
+    st.pyplot(fig)
 
-def get_recommended_stocks():
-    return "KLBF.JK, SIDO.JK, KAEF.JK, TLKM.JK, UNVR.JK"
+def simulate_dca(data, investment_amount=100):
+    investment_dates = data.index[::30]
+    dca_values = data.loc[investment_dates].mean(axis=1) * investment_amount
+    total_value = dca_values.cumsum()
+    fig, ax = plt.subplots()
+    total_value.plot(ax=ax, title='Simulasi Investasi DCA')
+    st.pyplot(fig)
 
-def validate_tickers(tickers):
-    invalid_tickers = [t for t in tickers if yf.Ticker(t).history(period='1d').empty]
-    if invalid_tickers:
-        st.warning(f"Ticker tidak valid atau tidak memiliki data: {', '.join(invalid_tickers)}")
-        return False
-    return True
+st.title("Analisis Portofolio Saham Optimal (Model Markowitz)")
 
 st.write("Rekomendasi Saham yang Bertahan Saat COVID-19:")
-st.write(get_recommended_stocks())
+st.write("KLBF.JK, SIDO.JK, KAEF.JK, TLKM.JK, UNVR.JK")
 
 tickers_list = st.text_input("Masukkan ticker saham", "KLBF.JK, SIDO.JK, KAEF.JK").split(", ")
 start_date = st.date_input("Pilih tanggal mulai", pd.to_datetime("2020-01-01"))
 end_date = st.date_input("Pilih tanggal akhir", pd.to_datetime("2023-12-31"))
 
 if st.button("Analisis Portofolio"):
-    if validate_tickers(tickers_list):
-        stock_data = get_stock_data(tickers_list, start_date, end_date)
-        if stock_data is not None:
-            mean_returns, cov_matrix = calculate_returns(stock_data)
-            optimal_weights = optimize_portfolio(mean_returns, cov_matrix)
+    stock_data = get_stock_data(tickers_list, start_date, end_date)
+    if stock_data is not None:
+        mean_returns, cov_matrix = calculate_returns(stock_data)
+        optimal_weights = optimize_portfolio(mean_returns, cov_matrix)
 
-            st.subheader("Statistik Saham")
-            st.write(stock_data.describe())
+        st.subheader("Statistik Saham")
+        st.write(stock_data.describe())
+        
+        st.subheader("Heatmap Korelasi Saham")
+        plot_correlation_heatmap(stock_data)
+        
+        st.subheader("Moving Average untuk Prediksi Tren")
+        selected_stock = st.selectbox("Pilih saham untuk analisis MA", stock_data.columns)
+        plot_moving_averages(stock_data, selected_stock)
+        
+        st.subheader("Simulasi Investasi Dollar Cost Averaging (DCA)")
+        simulate_dca(stock_data)
+        
+        if optimal_weights is not None:
+            st.subheader("Bobot Portofolio Optimal")
+            portfolio_weights = {stock: weight for stock, weight in zip(stock_data.columns, optimal_weights)}
+            st.write(portfolio_weights)
+            
+            # Pie Chart dengan pengelompokan saham kecil ke "Others"
+            threshold = 0.05
+            large_weights = {k: v for k, v in portfolio_weights.items() if v >= threshold}
+            small_weights = {k: v for k, v in portfolio_weights.items() if v < threshold}
+            
+            if small_weights:
+                large_weights["Others"] = sum(small_weights.values())
+            
+            fig, ax = plt.subplots()
+            ax.pie(large_weights.values(), labels=large_weights.keys(), autopct='%1.1f%%', startangle=140)
+            ax.axis('equal')
+            st.pyplot(fig)
+            
+            # Efficient Frontier
+            results = generate_efficient_frontier(mean_returns, cov_matrix)
             
-            if optimal_weights is not None:
-                st.subheader("Bobot Portofolio Optimal")
-                portfolio_weights = {stock: weight for stock, weight in zip(stock_data.columns, optimal_weights)}
-                st.write(portfolio_weights)
-                
-                # Pie Chart dengan pengelompokan saham kecil ke "Others"
-                threshold = 0.05  # Saham dengan bobot <5% digabung ke "Others"
-                large_weights = {k: v for k, v in portfolio_weights.items() if v >= threshold}
-                small_weights = {k: v for k, v in portfolio_weights.items() if v < threshold}
-                
-                if small_weights:
-                    large_weights["Others"] = sum(small_weights.values())
-                
-                fig, ax = plt.subplots()
-                ax.pie(large_weights.values(), labels=large_weights.keys(), autopct='%1.1f%%', startangle=140)
-                ax.axis('equal')
-                st.pyplot(fig)
-                
-                st.markdown("""
-                **Interpretasi Pie Chart:**
-                - Pie chart ini menunjukkan distribusi bobot optimal dari setiap saham dalam portofolio.
-                - Saham dengan bobot signifikan ditampilkan dengan persentase masing-masing.
-                - Saham dengan bobot kecil (<5%) digabung ke dalam kategori "Others".
-                - Portofolio optimal didasarkan pada perhitungan rasio Sharpe, yang mencari keseimbangan terbaik antara return dan risiko.
-                """)
-                
-                # Efficient Frontier
-                results = generate_efficient_frontier(mean_returns, cov_matrix)
-                
-                st.subheader("Efficient Frontier")
-                fig, ax = plt.subplots()
-                scatter = ax.scatter(results[1, :], results[0, :], c=results[2, :], cmap="viridis", marker='o')
-                ax.set_xlabel("Risiko (Standar Deviasi)")
-                ax.set_ylabel("Return Tahunan")
-                ax.set_title("Efficient Frontier")
-                fig.colorbar(scatter, label="Sharpe Ratio")
-                st.pyplot(fig)
-                
-                st.markdown("""
-                **Interpretasi:**
-                - **Bobot Portofolio Optimal**: Menunjukkan alokasi dana ke setiap saham.
-                - **Grafik Efficient Frontier**:
-                  - Sumbu **X**: Risiko (diukur dengan standar deviasi return portofolio).
-                  - Sumbu **Y**: Return tahunan dari berbagai kombinasi portofolio.
-                  - Warna titik menunjukkan **Sharpe Ratio** – semakin terang warna, semakin optimal kombinasi risiko dan return.
-                - **Pemilihan Portofolio Terbaik**: Portofolio di frontier efisien memberikan return terbaik untuk tingkat risiko tertentu.
-                """)
-            else:
-                st.error("Optimasi portofolio gagal. Coba dengan saham yang berbeda.")
+            st.subheader("Efficient Frontier")
+            fig, ax = plt.subplots()
+            scatter = ax.scatter(results[1, :], results[0, :], c=results[2, :], cmap="viridis", marker='o')
+            ax.set_xlabel("Risiko (Standar Deviasi)")
+            ax.set_ylabel("Return Tahunan")
+            ax.set_title("Efficient Frontier")
+            fig.colorbar(scatter, label="Sharpe Ratio")
+            st.pyplot(fig)
+        else:
+            st.error("Optimasi portofolio gagal. Coba dengan saham yang berbeda.")