Datatransformaties, features en targets

Machine Learning voor finance in Python

Nathan George

Data Science Professor

Features en targets maken

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

koers en voortschrijdend gemiddelde

Voortschrijdende gemiddelden

Voortschrijdende gemiddelden:

gebruik n voorgaande dagen voor het gemiddelde
gangbare waarden voor n: 14, 50, 200

koers en sma

RSI en koersgrafiek

RSI-vergelijking

RS-vergelijking

SMA en RSI berekenen

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)

Eindelijk: onze 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']

Correlaties checken

import seaborn as sns

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

correlatieplot van feature en target

Laten we features en targets maken!

Machine Learning voor finance in Python