Veri dönüşümleri, öznitelikler ve hedefler

Python ile Finans için Machine Learning

Nathan George

Data Science Professor

Öznitelik ve hedef oluşturma

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

fiyat ve hareketli ortalama

Hareketli ortalamalar

Hareketli ortalamalar:

ortalamayı almak için geçmişteki n günü kullanır
yaygın n değerleri: 14, 50, 200

fiyat ve sma

RSI ve fiyat grafiği

RSI denklemi

RS denklemi

SMA ve RSI hesaplama

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)

Son olarak, özniteliklerimiz

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']

Korelasyonları kontrol et

import seaborn as sns

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

öznitelik ve hedef korelasyon grafiği

Hadi öznitelik ve hedefler oluşturalım!

Python ile Finans için Machine Learning