1. Learn
    2. /
  2. Курси
    3. /
  3. Machine Learning для фінансів у Python
Connected

Вправа

Кореляції

Кореляції корисно переглянути перед побудовою моделей машинного навчання, адже так ми бачимо, які ознаки найсильніше корелюють із цільовою змінною. Часто використовують коефіцієнт кореляції Пірсона, який виявляє лише лінійні зв'язки. Зазвичай припускають, що наші дані мають нормальний розподіл, що можна попередньо оцінити на гістограмах. Висококорельовані змінні мають коефіцієнт кореляції Пірсона, близький до 1 (додатна кореляція) або до -1 (від'ємна кореляція). Значення, близьке до 0, означає, що дві змінні не мають лінійної кореляції.

Якщо використати однакові періоди для попередніх і майбутніх змін ціни, можна побачити, чи ціна акції має властивість повернення до середнього (коливається навколо середнього) чи слідує тренду (зростає, якщо нещодавно зростала).

Інструкції

100 XP

Використовуючи датафрейм lng_df та його Adj_Close:

  • Створіть майбутню ціну за 5 днів (як 5d_future_close) за допомогою .shift(-5) із pandas.
  • Застосуйте pct_change(5) до 5d_future_close і Adj_Close, щоб створити майбутню 5-денну зміну ціни у відсотках (5d_close_future_pct) і поточну 5-денну зміну ціни у відсотках (5d_close_pct).
  • Дослідіть кореляції між цими двома стовпцями 5-денних відсоткових змін ціни за допомогою .corr() на lng_df.
  • Використовуючи plt.scatter(), побудуйте діаграму розсіювання для 5d_close_pct проти 5d_close_future_pct.