Transformações, features e targets

Machine Learning para Finanças em Python

Nathan George

Data Science Professor

Criando features e targets

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
Machine Learning para Finanças em Python

preço e média móvel

Machine Learning para Finanças em Python

Médias móveis

Médias móveis:

  • usam os últimos n dias para calcular a média
  • valores comuns de n: 14, 50, 200
Machine Learning para Finanças em Python

preço e SMA

Machine Learning para Finanças em Python

RSI e gráfico de preço

Machine Learning para Finanças em Python

equação do RSI

equação do RS

Machine Learning para Finanças em Python

Calculando SMA e 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)
Machine Learning para Finanças em Python

Por fim, nossas 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']
Machine Learning para Finanças em Python

Verificar correlações

import seaborn as sns

corr = feature_target_df.corr()
sns.heatmap(corr, annot=True)
Machine Learning para Finanças em Python

correlação entre features e target

Machine Learning para Finanças em Python

Vamos criar features e targets!

Machine Learning para Finanças em Python

Preparing Video For Download...