Comercio utilizando Machine Learning en Python – SVM (Support Vector Machine)
Aquí hay una lectura interesante sobre cómo hacer predicciones usando el aprendizaje automático en la programación de Python.
El artículo incluye lo siguiente:
- ¿Es fácil entrenar un modelo de red neuronal profunda desde cero usando Keras?
- Dado lo éticamente y empáticamente incompetentes que son los humanos, ¿cuándo comenzaremos a entrenar el aprendizaje automático en grandes conjuntos de datos de decisiones éticas?
- Andrew Ng: ¿Por qué ya no es necesario entrenar capas a través de codificadores automáticos para Deep Learning?
- ¿Cuál es la medida cuantitativa sofisticada de la similitud de textos además de usar la similitud de coseno?
- Data Science, Big Data, Machine Learning, ¿qué certificación debo hacer para cambiar la trayectoria profesional desde un entorno de control de calidad?
- Cree un algoritmo de ML (aprendizaje automático) sin supervisión para predecir los regímenes.
- Trace estos regímenes para visualizarlos.
- Entrene un algoritmo de clasificador de vectores de soporte con el régimen como una de las características.
- Utilice este algoritmo de clasificador de vectores de soporte para predecir la tendencia del día actual en la apertura del mercado.
- Visualice el rendimiento de esta estrategia en los datos de prueba.
- Código descargable para su beneficio
Importar las bibliotecas y los datos:
Primero, importé las bibliotecas necesarias. Tenga en cuenta que he importado el paquete fix_yahoo_finance, por lo que puedo extraer datos de yahoo. Si no tiene este paquete, le sugiero que lo instale primero o cambie su fuente de datos a google.
Luego, extraje los datos de la misma cita, ‘SPY’, que usamos en el blog anterior y los guardé como un marco de datos df. Elegí el período de tiempo para que estos datos sean del año 2000.
Después de esto, creé indicadores que pueden usarse como características para entrenar el algoritmo.
Pero, antes de hacer eso, decidí el período de tiempo para estos indicadores. Elegí un período de retrospectiva de 10 días. Puede probar cualquier otro número que le convenga. Elegí 10 para verificar las últimas 2 semanas de datos comerciales y para evitar el ruido inherente a los períodos de retrospectiva más pequeños.
Además del período de retrospectiva, decidamos también la división del tren de pruebas de los datos. Prefiero dar el 80% de datos para capacitación y el 20% restante para pruebas. Puede cambiar esto según su necesidad.
Luego, cambié las columnas Alta, Baja y Cerrar por 1, para acceder solo a los datos pasados. Después de esto, creé varios indicadores técnicos como RSI, SMA, ADX, Correlación, SAR parabólico y el Retorno de los últimos 1 día en una base abierta.
A continuación, imprimí el marco de datos.
Y se veía así:
Como puede ver, hay muchos valores de NaN. Necesitamos imputarlos o dejarlos caer. Si eres nuevo en el aprendizaje automático y quieres aprender sobre la función de imputer, lee esto. Dejé caer los valores de NaN en este algoritmo.
Continúa leyendo aquí: https://www.quantinsti.com/blog/…