Datatransformationer, särdrag och målvariabler

Maskininlärning för finans i Python

Nathan George

Data Science Professor

Skapa särdrag och målvariabler

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
Maskininlärning för finans i Python

pris och glidande medelvärde

Maskininlärning för finans i Python

Glidande medelvärden

Glidande medelvärden:

  • använder n tidigare dagar för att beräkna medelvärdet
  • vanliga värden för n: 14, 50, 200
Maskininlärning för finans i Python

pris och SMA

Maskininlärning för finans i Python

RSI och prisplot

Maskininlärning för finans i Python

RSI-ekvation

RS-ekvation

Maskininlärning för finans i Python

Beräkna SMA och 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)
Maskininlärning för finans i Python

Våra särdrag är klara

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']
Maskininlärning för finans i Python

Kontrollera korrelationer

import seaborn as sns

corr = feature_target_df.corr()
sns.heatmap(corr, annot=True)
Maskininlärning för finans i Python

korrelationsplot för särdrag och målvariabel

Maskininlärning för finans i Python

Nu kör vi en övning!

Maskininlärning för finans i Python

Preparing Video For Download...