1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning for Finance in Python
Connected

Cvičení

Tvorba příznaků z objemu obchodů

Budeme používat nelineární modely pro přesnější predikce. U lineárních modelů musí být příznaky lineárně korelované s cílovou proměnnou. Jiné modely strojového učení dokážou příznaky kombinovat nelineárně. Co kdybychom například zjistili, že cena roste tehdy, když klouzavý průměr ceny roste a klouzavý průměr objemu obchodů klesá? Jediný způsob, jak zachytit takovéto interakce, je buď příznaky vzájemně vynásobit, nebo použít algoritmus strojového učení, který s nelinearitou umí pracovat (např. random forests).

Abychom zahrnuli více informací, které mohou s ostatními příznaky interagovat, přidáme i slabě korelované příznaky. Začneme daty o objemu obchodů, která máme v lng_df ve sloupci Adj_Volume.

Než začneš, pamatuj, že funkce TA-Lib (například SMA()) vyžadují Numpy pole, ne pandas objekty. Pomocí atributu .values pandas Series nebo DataFrame je snadno převedeš na Numpy pole.

Pokyny

100 XP
  • Vypočítej jednodenní procentuální změnu objemu obchodů (použij pct_change() z pandas) a výsledek ulož do sloupce Adj_Volume_1d_change v lng_df.
  • Vypočítej 5denní klouzavý průměr jednodenní procentuální změny objemu obchodů a výsledek ulož do sloupce Adj_Volume_1d_change_SMA v lng_df.
  • Vykresli histogramy těchto dvou nových příznaků pomocí seznamu new_features.