Конструирование признаков

Машинное обучение для финансов на Python

Nathan George

Data Science Professor

нелинейная корреляция признака с целевой переменной

Проблема линейных моделей

# add non-linear interaction term for a linear model
SMAxRSI = amd_df['14-day SMA'] * amd_df['14-day RSI']

Модели, не требующие ручного создания признаков взаимодействия:

Модели на основе деревьев решений

Случайные леса
Градиентный бустинг

Другие

Нейронные сети

объём торгов и изменение цены

цена и объём торгов

Признаки объёма торгов

amd_df['Adj_Volume_1d_change'] = amd_df['Adj_Volume'].pct_change()

one_day_change = amd_df['Adj_Volume_1d_change'].values
amd_df['Adj_Volume_1d_change_SMA'] = talib.SMA(one_day_change,
                                                timeperiod=10)

Конструирование признаков на основе дат

схема datetime со стрелками к день недели, месяц, год

Извлечение дня недели

print(amd_df.index.dayofweek)

Int64Index([2, 3, 4, 0, 1, 2, 3, 4, 0, 1,
            ...
            1, 2, 3, 4, 0, 1, 2, 3, 4, 0],
           dtype='int64', name='Date', length=4807)

Фиктивные переменные

days_of_week = pd.get_dummies(amd_df.index.dayofweek,
                                prefix='weekday',
                                drop_first=True)

print(days_of_week.head())

            weekday_1  weekday_2  weekday_3  weekday_4
Date
2018-04-10          1          0          0          0
2018-04-11          0          1          0          0
2018-04-12          0          0          1          0
2018-04-13          0          0          0          1
2018-04-16          0          0          0          0

график корреляции новых признаков

Давайте потренируемся!

Машинное обучение для финансов на Python