Transformacje danych, cechy i cele

Uczenie maszynowe w finansach z Pythonem

Nathan George

Data Science Professor

Tworzenie cech i celów

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 i średnia krocząca

Średnie kroczące

Średnie kroczące:

wykorzystują n ostatnich dni do obliczenia średniej
typowe wartości n: 14, 50, 200

Cena i SMA

Wykres RSI i ceny

Równanie RSI

Równanie RS

Obliczanie SMA i 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)

Nasze cechy

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']

Sprawdzanie korelacji

import seaborn as sns

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

Wykres korelacji cech i celu

Stwórzmy cechy i cele!

Uczenie maszynowe w finansach z Pythonem