Преобразования данных, признаки и целевые переменные

Машинное обучение для финансов на Python

Nathan George

Data Science Professor

Формирование признаков и целевых переменных

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

цена и скользящая средняя

Скользящие средние

Скользящие средние:

используют n предыдущих дней для вычисления среднего
типичные значения n: 14, 50, 200

цена и SMA

график RSI и цены

формула RSI

формула RS

Вычисление SMA и 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)

Итоговый набор признаков

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']

Проверка корреляций

import seaborn as sns

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

график корреляции признаков и целевой переменной

Давайте потренируемся!

Машинное обучение для финансов на Python