Preisvorhersage: Ticker- und NASDAQ-Preiskorrelation mit Python

Die Bestimmung wird wahrscheinlich durch eine Variante einer Variablen oder eine Variante mehrerer Variablen beeinflusst. Die Maschine trifft Entscheidungen basierend auf Mathematik. In diesem Artikel möchte ich daher erläutern, wie man einen Preisvorhersagewert zwischen einem Börsenticker und der NASDAQ-Preiskorrelation generiert. Ich würde die Methoden anhand der linearen Regressionsmodelle von Python und Scikit zeigen.

Inhaltsverzeichnis: Korrelation zwischen Börsentickerpreis und NASDAQ-Preisvorhersage unter Verwendung des linearen Regressionsmodells von Python und Scikit

• Importieren Sie die erforderlichen Bibliotheken und Datensätze
• Datenvorverarbeitung
• Training und Test der Daten des linearen Regressionsmodells
• Model.fit() und generieren Sie die Punktzahl
• Streudiagramm-Visualisierung und 10 Korrelationssätze für Ihren Test
• Vollständiges Python-Skript der Korrelation zwischen Börsenticker und NASDAQ-Preisvorhersage-Score
• Kursempfehlung für Kurse zu Datenwissenschaft und maschinellem Lernen

Importieren Sie den erforderlichen Datensatz und die erforderlichen Bibliotheken

Um den Preisvorhersage-Score zu zählen, sind hier die Python-Bibliotheken, die wir importieren müssen, bevor das Projekt beginnt.

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

Dann nehme ich den Apple-Aktienkurs und den Nasdaq der letzten sieben Jahre als Datensatzbeispiel

Für die Erstellung einer Cbar-Visualisierung erstelle ich ein Preisverhältnis zwischen dem Apple-Aktienkurs und dem Nasdaq-Preis, d. h. dem historischen Tagespreis des Apple-Preises dividiert durch den historischen Tagespreis der Nasdaq.

Datenvorverarbeitung

Neben einem gängigen maschinellen Lernprozess ist die Datenvorverarbeitung von entscheidender Bedeutung, da sie sicherstellt, dass Datentyp und Datengröße konsistent sind.

In diesem Projekt haben wir drei Teile des Datensatzes: den Apple-Ticker, Nasdaq und deren Verhältnis. Da der Rohdatensatz in jedem Datensatz denselben Datumsbereich hatte, müssen wir ihn nur umformen und sicherstellen, dass jeder Datensatz die gleiche Datendimension hat.

apple_price = dataSet [ 'AAPL' ]

appl_price = np.array ( apple_price ) .reshape ( -1 , 1 )

indexQ_price = dataSet [ 'NASDAQ' ]

index_price = np.array ( indexQ_price ) .reshape ( -1 , 1 )

price1_ratio = dataSet [ 'Ratio' ]

Was das Verhältnis angeht, habe ich aufgrund meiner persönlichen Präferenz gelernt, dass ohne Umformung mehr Kontrast in der Plotvisualisierung entsteht. Allerdings kann man es auch umgestalten. Aber in dem Artikel würde ich die Originalform verwenden, weil sie der Darstellung der Farbkarte dient.

Training und Test der Daten des linearen Regressionsmodells

Um zu testen, ob das Score-Ergebnis durch die Größe der Datenstichprobe beeinflusst werden könnte, müssen wir Scikit Learn nutzen, um den Datensatz zunächst aufzuteilen. Hier ist das Codebeispiel für dieses Projekt, das drei Datensätze enthält

apple_train , apple_test , nasdaq_train , nasdaq_test , priceRatio_train , priceRatio_test = train_test_split (

appl_price , index_price , price1_ratio , test_size= 0.5 )

Test_size kann ein- und ausgeschaltet werden, um zu überprüfen, welches Ergebnisergebnis nahe beieinander liegt oder einen größeren Kontrast aufweist. In der praktischen Anwendung hängt die richtige Bewertung stark vom Projektziel ab. Manchmal kann eine niedrigere Punktzahl ein gutes Signal für die Automatisierung sein.

Model.fit() und generieren Sie die Punktzahl

Jetzt kann das lineare Regressionsmodell hinzugefügt werden. Ich würde vorschlagen, dass Sie diesen Abschnitt auf einer Cloud-Codierungsplattform wie Google Collab ausführen. Dies liegt daran, dass normalerweise höhere Hardware-Spezifikationsanforderungen erforderlich sind. Manchmal kann es zum Absturz Ihres Laptops kommen, wenn Ihr Datensatz zu groß ist.

Dann kann zusammen mit der Anpassung von test_size das Ergebnis der Bewertung unterschiedlich sein. Hier sehen Sie ein Ergebnis, das ich generiert habe. Ich habe ein paar Teile des Tests ausprobiert, das Ergebnis liegt sehr nahe beieinander.

model = LinearRegression ()

model.fit ( apple_train , nasdaq_train )

print ( model.score ( apple_test , nasdaq_test ))

Streudiagramm-Visualisierung und 10 Korrelationssätze für Ihren Test

Ich werde nicht näher darauf eingehen, wie man mit Matplotlib den Datensatz in einem Streudiagramm visualisiert. Wenn Sie an den Details interessiert sind, folgen Sie bitte dem nächsten Abschnitt und abonnieren Sie, um das vollständige Skript zu erhalten.

Umgekehrt teile ich Ihnen gerne zehn Zusammenhänge in drei Berufsfeldern mit, in denen Sie tätig sein könnten. Dabei handelt es sich um Aktieninvestitionen, E-Commerce-Verkäufe und Google-Suchwerbung. Sie können den Datensatz, den Sie besitzen, sammeln oder zu Kaggle gehen, um ihn entsprechend nachzuschlagen und den Vorhersagewert zu testen.

Aktieninvestition

1. Zusammenhang zwischen Aktienkurs und Handelsvolumen
2. Korrelation zwischen Aktienkurs und Marktindex (z. B. S&P 500)
3. Zusammenhang zwischen Aktienkurs und Zinssätzen
4. Korrelation zwischen Aktienkurs und Gewinn je Aktie (EPS)
5. Zusammenhang zwischen Aktienkurs und Dividendenrendite
6. Korrelation zwischen Aktienkurs und Kurs-Gewinn-Verhältnis (KGV).
7. Zusammenhang zwischen Aktienkurs und Marktkapitalisierung
8. Korrelation zwischen Aktienkurs und branchenspezifischem Index (z. B. Technologiesektorindex)
9. Zusammenhang zwischen Aktienkurs und Analystenempfehlungen (z. B. Kaufen, Verkaufen, Halten)
10. Zusammenhang zwischen Aktienkurs und Wirtschaftsindikatoren (z. B. BIP-Wachstum, Inflationsrate)

E-Commerce-Verkauf

1. Zusammenhang zwischen Produktpreis und Verkaufsvolumen
2. Zusammenhang zwischen Produktbewertung und Verkaufsvolumen
3. Zusammenhang zwischen der Anzahl der Produktbewertungen und dem Verkaufsvolumen
4. Zusammenhang zwischen Produktrabatt und Verkaufsvolumen
5. Zusammenhang zwischen der Dauer der Produktwerbung und dem Verkaufsvolumen
6. Zusammenhang zwischen Produktverfügbarkeit und Verkaufsvolumen
7. Zusammenhang zwischen Produktversandzeit und Verkaufsvolumen
8. Zusammenhang zwischen der Länge der Produktbeschreibung und dem Verkaufsvolumen
9. Zusammenhang zwischen Produktbildqualität und Verkaufsvolumen
10. Zusammenhang zwischen Produktkategorie und Verkaufsvolumen

Werbung in der Google-Suche

1. Zusammenhang zwischen Anzeigenposition und Klickrate (CTR)
2. Korrelation zwischen der Länge des Anzeigentextes und der CTR
3. Korrelation zwischen Anzeigentitel-Keywords und CTR
4. Korrelation zwischen Keywords in der Anzeigenbeschreibung und CTR
5. Korrelation zwischen der angezeigten URL der Anzeige und der CTR
6. Zusammenhang zwischen Anzeigenrelevanz und CTR
7. Korrelation zwischen der Qualität der Anzeigen-Landingpage und der Conversion-Rate
8. Zusammenhang zwischen Anzeigengebotsstrategie und Kosten pro Klick (CPC)
9. Korrelation zwischen Anzeigen-Targeting-Einstellungen (Standort, Demografie) und Conversion-Rate
10. Zusammenhang zwischen Anzeigenplanung und Conversion-Rate

Vollständiges Python- Skript für den Feature-Wichtigkeitsgenerator

Wenn Sie sich für die Korrelation zwischen Tickerpreis und NASDAQ-Preisvorhersage mithilfe des linearen Regressionsmodells von Python und Scikit interessieren, Bitte abonnieren Sie unseren Newsletter , indem Sie die Nachricht „Streudiagramm + Preisvorhersage“ hinzufügen. . Wir senden Ihnen das Skript umgehend in Ihr Postfach.

Ich wünsche Ihnen viel Spaß beim Lesen der Korrelation zwischen Tickerpreis und NASDAQ-Preisvorhersage mithilfe des Python- und Scikit-Linearregressionsmodells. Wenn ja, unterstützen Sie uns bitte, indem Sie eine der unten aufgeführten Maßnahmen ergreifen, da dies unserem Kanal immer weiterhilft.

• Unterstützen Sie unseren Kanal und spenden Sie über PayPal ( paypal.me/Easy2digital )
• Abonnieren Sie meinen Kanal und aktivieren Sie die Benachrichtigungsglocke des Easy2Digital-Youtube-Kanals .
• Folgen und liken Sie meine Easy2Digital-Facebook-Seite
• Teilen Sie den Artikel in Ihrem sozialen Netzwerk mit dem Hashtag #easy2digital
• Sie melden sich für unseren wöchentlichen Newsletter an, um die neuesten Artikel, Videos und Rabattcodes von Easy2Digital zu erhalten
• Abonnieren Sie unsere monatliche Mitgliedschaft über Patreon, um exklusive Vorteile zu genießen ( www.patreon.com/louisludigital )

Kursempfehlung für Kurse zu Datenwissenschaft und maschinellem Lernen

• Grundlagen der Datenwissenschaft
• SQL-Datenbankstrategie für Data Science
• IBM Data Science Basic
• Maschinelles Lernen
• Tiefes Lernen