تجسم ساختار بورس سهام

این مثال از چندین روش یادگیری بدون نظارت برای استخراج ساختار بازار سهام از تغییرات در نقل قول های تاریخی استفاده می کند.

مقدار مورد استفاده ما تغییر روزانه در قیمت نقل قول است: نقل قول هایی که در ارتباط هستند در رابطه با یکدیگر در طی یک روز نوسان دارند.

# نویسنده: Gael Varoquaux gael. [email protected] # مجوز: بند BSD 3 

داده ها را از اینترنت بازیابی کنید

داده ها از سال 2003 - 2008 است. این به طرز منطقی آرام است: (خیلی وقت پیش نیستیم که ما شرکت های پیشرفته و قبل از تصادف 2008 دریافت کنیم). این نوع داده های تاریخی را می توان از API ها مانند data. nasdaq.com و alphavantage. co بدست آورد.

وارد كردن سید وارد كردن اعماق as np وارد كردن پاندا as pd نماد_ تاریخچه =  "توت": "جمع", "xom": "اکسون", "CVX": "شورون", "پلیس": "conocophillips", "VLO": "انرژی والرو", "MSFT": "مایکروسافت", "IBM": "IBM", "TWX": "تایم وارنر", "CMCSA": "Comcast", "CVC": "Cablevision", "YHOO": "یاهو", "دل": "دل", "HPQ": "HP", "AMZN": "آمازون", "TM": "تویوتا", "caj": "کانن", "SNE": "سونی", "F": "آب کم عمق", "HMC": "هوندا", "NAV": "ناویستار", "NOC": "Northrop Grumman", "لی": "بوئینگ", "ko": "کوکاکولا", "میلی متر": "3M", "MCD": "مک دونالد", "پپ": "پپسی", "k": "Kellogg", "سازمان ملل": "یونیلور", "مار": "ماریوت", "PG": "Procter Gamble", "cl": "colgate-palmolive", "GE": "برق عمومی", "WFC": "ولز فارگو", "JPM": "JPMorgan Chase", "AIG": "AIG", "AXP": "آمریکن اکسپرس", "BAC": "بانک آمریکا", "GS": "گلدمن ساکس", "AAPL": "سیب", "شیره": "شیره", "CSCO": "سیسکو", "TXN": "سازهای تگزاس", "XRX": "Xerox", "WMT": "وال مارت", "HD": "انبار خانه", "GSK": "glaxosmithkline", "PFE": "pfizer", "اسنی": "Sanofi-Aventis", "NVS": "Novartis", "KMB": "کیمبرلی-کلارک", "R": "رایدر", "GD": "دینامیک عمومی", "RTN": "Raytheon", "CVS": "CVS", "گربه": "کرم ابریشم", "DD": "Dupont de Nemours", > نماد, نام = np.آرایه(مرتب(نماد_ تاریخچه.موارد())).T نقل قول = [] برای سمبل in نماد: چاپ("تاریخچه نقل قول برای %r" % سمبل, فایل=سید.ستیزه جو) url = ( "https://raw. githubusercontent.com/scikit-lea/examples-data/" "استاد/داده های مالی/<>. csv " ) نقل قول.ضمیمه کردن(pd.read_csv(url.قالب(سمبل))) close_prices = np.VSTACK([q["بستن"] برای q in نقل قول]) باز کردن_پریس = np.VSTACK([q["باز کن"] برای q in نقل قول]) # تغییرات روزانه نقل قول ها بیشترین اطلاعات را دارند تغییر = close_prices - باز کردن_پریس 

واکشی تاریخ نقل قول برای "AAPL" تاریخچه نقل قول برای "AIG" تاریخ نقل قول برای "AMZN" تاریخچه نقل قول "AXP" تاریخ نقل قول برای "Ba" تاریخ نقل قول برای "BAC" تاریخچه نقل قول برای "Caj" برای "CAJ" برای "CAJ"تاریخ نقل قول برای "گربه" تاریخچه نقل قول برای "Cl" تاریخچه نقل قول برای "CMCSA" تاریخچه نقل قول برای "COP" تاریخچه نقل قول برای "CSCO" تاریخچه نقل قول برای "CVC" تاریخچه نقل قول "CVC" را برای "CVC" نقل قول می کندتاریخچه برای "CVX" تاریخچه نقل قول برای "DD" تاریخچه نقل قول برای "Dell" تاریخچه نقل قول برای "F" تاریخچه نقل قول برای "GD" تاریخچه نقل قول برای "GE" تاریخچه نقل قول برای "GS" تاریخچه نقل قول می کندبرای "GSK" تاریخچه نقل قول برای "HD" تاریخچه نقل قول برای "HMC" تاریخ نقل قول برای "HPQ" تاریخچه نقل قول برای "IBM" تاریخ نقل قول برای "JPM" تاریخچه نقل قول برای "K" تاریخچه نقل قول را برای "k" تاریخ نقل قول می کند"KMB" تاریخچه نقل قول برای "Ko" تاریخچه نقل قول برای "مارس" تاریخچه نقل قول برای "MCD" برای نقل قول "MMM" برای "MMM" تاریخچه نقل قول برای "MSFT" تاریخچه نقل قول برای "NAV" تاریخ نقل قول برای نقل قول برای تاریخ "NOC 'Fetching تاریخچه نقل قول برای "NVS" تاریخچه نقل قول برای "PEP" تاریخچه نقل قول برای "PFE" تاریخچه نقل قول برای "PG" تاریخ نقل قول برای "R" تاریخ نقل قول برای "RTN" برای "SAP" تاریخ نقل قول "RTN""واکشی تاریخ برای" SNE "تاریخچه نقل قول برای نقل قول" SNY "تاریخ نقل قول برای" TM "تاریخ نقل قول برای" TOT "تاریخ نقل قول برای" TWX "تاریخ نقل قول برای" TXN "تاریخچه نقل قول برای" UN "تاریخچه نقل قول برای "VLO" تاریخچه نقل قول برای "WFC" برای نقل قول "WMT" برای "WMT" تاریخچه نقل قول برای "XOM" تاریخ نقل قول برای "XRX" تاریخ نقل قول برای "YHOO"

یادگیری یک ساختار نمودار

ما از برآورد کواریانس معکوس پراکنده استفاده می کنیم تا دریابیم که نقل قول ها به صورت مشروط با دیگران همبستگی دارند. به طور خاص ، کواریانس معکوس پراکنده نمودار را به ما می دهد ، که لیستی از اتصالات است. برای هر نماد ، نمادهایی که به آن متصل شده اند ، آنهایی هستند که برای توضیح نوسانات آن مفید هستند.

از جانب چلیکون وارد كردن همسایه الفاس = np.فضای مجازی(-1.5, 1, حدود=10) edge_model = همسایه.گرافیک سلولهای گرافیک(الفاس=الفاس) # سری زمانی را استاندارد کنید: استفاده از همبستگی ها به جای کواریانس # سابق برای بازیابی ساختار کارآمدتر است X = تغییر.کپی  پلتفرم معاملاتی فارکس...

 


ما را در سایت پلتفرم معاملاتی فارکس  دنبال می کنید

برچسب :   
نویسنده : مرجان محتشم  
 بازدید : <-PostHit-> 
  
 تاريخ : پنجشنبه
 8 تير
 1402 ساعت: 21:00