Datové transformace, příznaky a cíle

Machine Learning for Finance in Python

Nathan George

Data Science Professor

Vytváření příznaků a cílů

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

Cena a klouzavý průměr

Klouzavé průměry

Klouzavé průměry:

využívají n předchozích dní
běžné hodnoty n: 14, 50, 200

Cena a SMA

Graf RSI a ceny

Rovnice RSI

Rovnice RS

Výpočet SMA a 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)

Výsledné příznaky

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']

Kontrola korelací

import seaborn as sns

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

Graf korelace příznaků a cílů

Pojďme vytvořit příznaky a cíle!

Machine Learning for Finance in Python