Transformations de données, variables explicatives et cibles

Machine Learning pour la finance en Python

Nathan George

Data Science Professor

Créer des variables explicatives et des cibles

features = amd_df[['10d_close_pct', 'Adj_Volume']]

targets = amd_df['10d_future_close_pct']

print(type(features))

pandas.core.series.DataFrame

print(type(targets))

pandas.core.series.Series

cours et moyenne mobile

Moyennes mobiles

Moyennes mobiles :

utilisent les n jours passés pour calculer la moyenne
valeurs courantes de n : 14, 50, 200

cours et SMA

RSI et tracé du cours

équation du RSI

équation du RS

Calculer SMA et RSI

import talib

amd_df['ma200'] = talib.SMA(amd_df['Adj_Close'].values, timeperiod=200)

amd_df['rsi200'] = talib.RSI(amd_df['Adj_Close'].values, timeperiod=200)

Enfin, nos variables explicatives

feature_names = ['10d_close_pct', 'ma200', 'rsi200']
features = amd_df[feature_names]
targets = amd_df['10d_future_close_pct']

feature_target_df = amd_df[feature_names + '10d_future_close_pct']

Vérifier les corrélations

import seaborn as sns

corr = feature_target_df.corr()
sns.heatmap(corr, annot=True)

corrélation entre variables explicatives et cible

Créons les variables explicatives et les cibles !

Machine Learning pour la finance en Python