Update app.py

app.py

@@ -15,9 +15,9 @@ def get_base64_image(image_path):
         return base64.b64encode(img_file.read()).decode()
 
 # Logo als Base64 einlesen
-image_base64 = get_base64_image("JQ.png")
+image_base64 = get_base64_image("JQ.png")  # Bild lokal im Space hochgeladen
 
-# CSS für fixiertes Logo OHNE Hintergrund & kleinerer Text
+# CSS für fixiertes Logo OHNE Hintergrund
 st.markdown(
     f"""
     <style>
@@ -29,12 +29,6 @@ st.markdown(
             z-index: 1000;
             text-align: center;
         }}
-        .small-text {{
-            font-size: 14px; /* Kleinere Schriftgröße */
-            margin-top: 30px; /* Abstand nach unten */
-            text-align: center;
-            color: gray; /* Dezente graue Farbe */
-        }}
     </style>
     <div class="fixed-logo">
         <img src="data:image/png;base64,{image_base64}" width="250">
@@ -53,12 +47,49 @@ st.markdown("<br><br><br>", unsafe_allow_html=True)
 # Titel der App
 st.title("📈 Interaktive Analyse von Aktienindizes")
 
-# Liste der wichtigsten Aktien-Indizes mit Yahoo Finance Ticker
 indices = {
+    # 🌎 Globale Indizes
+    #"MSCI World": "^MSCI",
+    #"MSCI Emerging Markets": "EEM",
+
+    # 🇺🇸 USA
     "S&P 500 (USA)": "^GSPC",
     "Nasdaq 100 (USA)": "^NDX",
-    "Dow Jones (USA)": "^DJI",
+    "Dow Jones Industrial Average (USA)": "^DJI",
     "Russell 2000 (USA)": "^RUT",
+
+    # 🇪🇺 Europa
+    "DAX (Deutschland)": "^GDAXI",
+    "MDAX (Deutschland)": "^MDAXI",
+    "CAC 40 (Frankreich)": "^FCHI",
+    "FTSE 100 (UK)": "^FTSE",
+    "EURO STOXX 50": "^STOXX50E",
+    "AEX (Niederlande)": "^AEX",
+    "IBEX 35 (Spanien)": "^IBEX",
+
+    # 🇨🇭 Schweiz
+    "SMI (Schweiz)": "^SSMI",
+
+    # 🇨🇳 China
+    "Shanghai Composite": "000001.SS",
+    "Hang Seng (Hongkong)": "^HSI",
+
+    # 🇯🇵 Japan
+    "Nikkei 225": "^N225",
+    "TOPIX": "^TOPX",
+
+    # 🇮🇳 Indien
+    "BSE Sensex": "^BSESN",
+    "Nifty 50": "^NSEI",
+
+    # 🇦🇺 Australien
+    "ASX 200": "^AXJO",
+
+    # 🇨🇦 Kanada
+    "TSX Composite": "^GSPTSE",
+
+    # 🇧🇷 Brasilien
+    "Bovespa": "^BVSP"
 }
 
 # Dropdown für Ticker 1 & Ticker 2
@@ -76,37 +107,72 @@ end_date = st.date_input("Enddatum", default_end_date)
 # Farben für die Linien (fixe Farben für Konsistenz)
 color_ticker1 = "#1f77b4"  # Blau
 color_ticker2 = "#ff7f0e"  # Orange
+color_ticker3 = "#e377c2"  # Pink
 
 # Button zum Laden der Daten
 if st.button("GO"):
 
-    # Daten abrufen
-    data = {}
+    # Daten abrufen (Erst `Adj Close`, falls nicht verfügbar `Close`)
+    data_dict = {}
+    
     for name, symbol in [(ticker1_name, ticker1), (ticker2_name, ticker2)]:
         ticker = yf.Ticker(symbol)
         df = ticker.history(start=start_date, end=end_date)
-        data[name] = df["Close"]
+    
+        # 🕒 Datum als Index setzen & Uhrzeit entfernen
+        df.index = pd.to_datetime(df.index).date  # Konvertiert Timestamp zu Date ohne Uhrzeit
+    
+        # Prüfe, ob `Adj Close` existiert, falls nicht, nutze `Close`
+        if "Adj Close" in df.columns and not df["Adj Close"].isna().all():
+            selected_data = df["Adj Close"]
+        elif "Close" in df.columns and not df["Close"].isna().all():
+            selected_data = df["Close"]
+        else:
+            st.warning(f"⚠️ Keine gültigen Daten für {name} ({symbol}) gefunden!")
+            continue  # Falls keine Daten vorhanden sind, überspringen
+    
+        # 🔹 Doppelte Einträge pro Tag entfernen → den letzten Wert behalten
+        selected_data = selected_data[~selected_data.index.duplicated(keep="last")]
+    
+        # Spaltennamen für spätere Zusammenführung setzen
+        selected_data.name = name  # Name des Index setzen
+    
+        # Speichere bereinigte Daten für den Index
+        data_dict[name] = selected_data
+    
+    # Sicherstellen, dass beide DataFrames existieren
+    if ticker1_name in data_dict and ticker2_name in data_dict:
+        df1 = data_dict[ticker1_name].to_frame()
+        df2 = data_dict[ticker2_name].to_frame()
+    
+        # 🔹 Beide DataFrames über gemeinsamen `Index (Datum)` zusammenführen
+        df_indices = pd.merge(df1, df2, left_index=True, right_index=True, how="outer")
+    
+        # Fehlende Werte mit vorherigem Wert füllen
+        df_indices.ffill(inplace=True)
+    
+        # Falls noch NaN-Werte übrig sind, entfernen
+        df_indices.dropna(inplace=True)
+    
+        # Falls keine Daten geladen wurden, abbrechen
+        if df_indices.empty:
+            st.error("❌ Keine gemeinsamen Daten für die gewählten Indizes gefunden!")
+            st.stop()
 
-    # In DataFrame umwandeln
-    df_indices = pd.DataFrame(data)
 
-    # Falls keine Daten geladen wurden, abbrechen
-    if df_indices.empty:
-        st.error("❌ Keine Daten für die gewählten Indizes gefunden!")
-    else:
         # --------- 1. INTERAKTIVER CHART: Vergleich mit zwei Achsen ---------
         fig1 = go.Figure()
-
+    
         # Linke Achse (Ticker 1)
         fig1.add_trace(go.Scatter(
             x=df_indices.index, y=df_indices[ticker1_name], mode='lines',
             name=ticker1_name, yaxis='y1', line=dict(color=color_ticker1)))
-
+    
         # Rechte Achse (Ticker 2)
         fig1.add_trace(go.Scatter(
             x=df_indices.index, y=df_indices[ticker2_name], mode='lines',
             name=ticker2_name, yaxis='y2', line=dict(color=color_ticker2)))
-
+    
         # Layout mit zwei Achsen definieren
         fig1.update_layout(
             title=f"Vergleich der Close-Preise: {ticker1_name} vs. {ticker2_name}",
@@ -116,83 +182,72 @@ if st.button("GO"):
             legend=dict(x=0, y=1),
             hovermode="x"
         )
-
+    
         # Streamlit: Interaktives Chart anzeigen
         st.plotly_chart(fig1, use_container_width=True)
-
+    
         # --------- 2. INTERAKTIVER CHART: Normierter Vergleich ---------
         df_normalized = df_indices / df_indices.iloc[0] * 100
-
+    
         # Rendite berechnen (% Veränderung von Start bis Ende)
-        start_price_ticker1 = df_indices[ticker1_name].iloc[0]
-        end_price_ticker1 = df_indices[ticker1_name].iloc[-1]
-        return_ticker1 = ((end_price_ticker1 - start_price_ticker1) / start_price_ticker1) * 100
-        
-        start_price_ticker2 = df_indices[ticker2_name].iloc[0]
-        end_price_ticker2 = df_indices[ticker2_name].iloc[-1]
-        return_ticker2 = ((end_price_ticker2 - start_price_ticker2) / start_price_ticker2) * 100
-        
-        # Rundung auf 2 Nachkommastellen
-        return_ticker1 = round(return_ticker1, 2)
-        return_ticker2 = round(return_ticker2, 2)
-        
+        return_ticker1 = round(((df_indices[ticker1_name].iloc[-1] - df_indices[ticker1_name].iloc[0]) / df_indices[ticker1_name].iloc[0]) * 100, 2)
+        return_ticker2 = round(((df_indices[ticker2_name].iloc[-1] - df_indices[ticker2_name].iloc[0]) / df_indices[ticker2_name].iloc[0]) * 100, 2)
+    
         # Namen mit Rendite für die Legende anpassen
         legend_ticker1 = f"{ticker1_name} = {return_ticker1}%"
         legend_ticker2 = f"{ticker2_name} = {return_ticker2}%"
-        
+    
         # Diagramm 2 mit Renditen in der Legende anzeigen
         fig2 = px.line(df_normalized, x=df_normalized.index, y=df_normalized.columns,
                        title="Normierter Vergleich der Close-Preise",
                        labels={"value": "Index (Startwert = 100)", "variable": "Index"},
                        template="plotly_white",
                        color_discrete_map={ticker1_name: color_ticker1, ticker2_name: color_ticker2})
-        
+    
         # Legenden-Namen ändern
         fig2.for_each_trace(lambda t: t.update(name=legend_ticker1 if t.name == ticker1_name else legend_ticker2))
-        
+    
         # Legendenposition anpassen (oben rechts, wie in Chart 1)
         fig2.update_layout(legend=dict(x=0, y=1))
-
-
+    
         # Streamlit: Interaktives Chart anzeigen
         st.plotly_chart(fig2, use_container_width=True)
-
-                # --------- 3. INTERAKTIVER CHART: Relative Performance (Differenz der normierten Werte) ---------
+    
+        # --------- 3. INTERAKTIVER CHART: Relative Performance (Differenz der normierten Werte) ---------
         df_relative_performance = df_normalized[ticker1_name] - df_normalized[ticker2_name]
-        
-        # Berechnung der Gesamtrendite der relativen Performance von Start bis Ende
-        start_relative = df_relative_performance.iloc[0]
-        end_relative = df_relative_performance.iloc[-1]
-        relative_performance_change = end_relative - start_relative  # Direkte Differenz
-        
-        # Rundung auf 2 Nachkommastellen
-        relative_performance_change = round(relative_performance_change, 2)
-        
+    
+        # Letzter Wert der relativen Performance berechnen
+        relative_performance_change = round(df_relative_performance.iloc[-1], 2)
+    
         # Legenden-Text mit relativer Performance
-        legend_relative = f"{ticker1_name} - {ticker2_name} = {relative_performance_change} Punkte"
-        
+        legend_relative = f"{ticker1_name} - {ticker2_name} = {relative_performance_change}%"
+    
         # Chart für relative Performance erstellen
         fig3 = px.line(x=df_relative_performance.index, y=df_relative_performance,
                        title=f"Relative Performance: {ticker1_name} vs. {ticker2_name}",
-                       labels={"x": "Datum", "y": "Relative Performance"},
+                       labels={"x": "Datum", "y": "Relative Performance (%)"},
                        template="plotly_white")
-        
+    
         # Farbe der Linie auf die gleiche wie Index 1 setzen
-        fig3.update_traces(line=dict(color=color_ticker1), name=legend_relative)
-        
+        fig3.update_traces(line=dict(color=color_ticker3), name=legend_relative)
+    
         # Legendenposition anpassen (oben rechts, wie in Chart 1 und 2)
         fig3.update_layout(legend=dict(x=0, y=1))
-        
+    
         # Letzten Wert als Text direkt ins Chart einfügen
         fig3.add_annotation(
-            x=df_relative_performance.index[-1],  # Letztes Datum
-            y=df_relative_performance.iloc[-1],  # Letzter Wert der Performance
-            text=f"{df_relative_performance.iloc[-1]:.2f}%",  # Formatierte Anzeige
+            x=df_relative_performance.index[-1],
+            y=df_relative_performance.iloc[-1],
+            text=f"{df_relative_performance.iloc[-1]:.2f}%",
             showarrow=True,
             arrowhead=2,
-            font=dict(size=14, color=color_ticker1),
-            ax=20, ay=-40  # Position der Anzeige leicht anpassen
+            font=dict(size=14, color=color_ticker3),
+            ax=20, ay=-40
         )
-        
+    
         # Streamlit: Chart anzeigen
         st.plotly_chart(fig3, use_container_width=True)
+        
+        # Daten-Check: DataFrame anzeigen
+        #st.subheader("📊 Rohdaten der ausgewählten Indizes")
+        #st.dataframe(df_indices)