Datentransforms, Features und Targets

Maschinelles Lernen für Finanzen in Python

Nathan George

Data Science Professor

Features und Targets erstellen

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

Kurs und gleitender Durchschnitt

Gleitende Durchschnitte

Gleitende Durchschnitte:

nutzen die letzten n Tage für den Mittelwert
typische n-Werte: 14, 50, 200

Kurs und SMA

RSI- und Kursdiagramm

RSI-Gleichung

RS-Gleichung

SMA und RSI berechnen

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)

Endlich: unsere Features

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']

Korrelationen prüfen

import seaborn as sns

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

Feature- und Target-Korrelationsplot

Lass uns Features und Targets erstellen!

Maschinelles Lernen für Finanzen in Python