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

Cvičení

Korelace

Před trénováním modelů strojového učení se vyplatí podívat se na korelace – hned uvidíš, které příznaky nejsilněji souvisí s cílovou proměnnou. Nejčastěji se používá Pearsonův korelační koeficient, který zachycuje pouze lineární závislosti. Zároveň se obvykle předpokládá, že data mají normální rozdělení, což si můžeš přibližně ověřit z histogramů. Silně korelované proměnné mají Pearsonův koeficient blízko 1 (pozitivní korelace) nebo -1 (negativní korelace). Hodnota blízká 0 znamená, že mezi oběma proměnnými lineární závislost není.

Porovnáš-li stejná časová období pro minulé a budoucí změny ceny, zjistíš, jestli se cena akcie vrací k průměru (kolísá kolem něj), nebo sleduje trend (pokračuje v nastoupeném směru).

Pokyny

100 XP

Pracuj s DataFrame lng_df a jeho sloupcem Adj_Close:

  • Vytvoř budoucí cenu za 5 dní (jako 5d_future_close) pomocí pandas funkce .shift(-5).
  • Použij pct_change(5) na 5d_future_close a Adj_Close, a tím vytvoř budoucí 5denní procentuální změnu ceny (5d_close_future_pct) a aktuální 5denní procentuální změnu ceny (5d_close_pct).
  • Prozkoumej korelace mezi oběma sloupci s 5denní procentuální změnou pomocí .corr() na lng_df.
  • Pomocí plt.scatter() vytvoř bodový graf závislosti 5d_close_pct na 5d_close_future_pct.