فاصله اطمینان ما در جایی بین 50 تا 70 ٪ است

کار در وال استریت به همان اندازه شدید و پاداش دهنده است که تصور می کنید. بسیاری از لباس ها و بسیاری از چهره های پوستی و دود سیگار زیادی. در میان همه دیوانگی که از مرکز مالی تحت اللفظی جهان انتظار دارید ، هدف اصلی همه افراد در آنجا بسیار ساده است. در معرض خطر استفاده بیش از حد ، من به شما می گویم که امور مالی به سادگی از پول (یا خود یا برخی از آنها وام گرفته اید) استفاده می کند تا پول بیشتری بدست آورید. صنعت مالی در واقع هیچ ارزشی ایجاد نمی کند ، بلکه از عوامل دیگری برای بازده سرمایه گذاری استفاده می کند.

بازار سهام یکی از مشهورترین زیرساخت هایی است که از طریق آن هر کسی به طور بالقوه می تواند ثروت خود را بدست آورد. اگر کسی بتواند کد را برای پیش بینی قیمت سهام آینده ، شکست دهد ، آنها عملاً بر جهان حاکم خواهند بود.

فقط یک مشکل وجود داردپیش بینی دقیق آینده بازار سهام بسیار غیرممکن است. بنابراین بسیاری از تحلیلگران ، بسیاری از محققان ، بسیاری از افراد فوق العاده باهوش سعی کرده اند همه اینها را بفهمند. هیچ کس نتوانسته است نتایج مداوم را بدست آورد. هیچکس.

بنابراین نکته این مقاله چیست؟چرا من در مورد استفاده از یادگیری ماشین برای پیش بینی بازار سهام می نویسم؟حدس می زنم بیشتر فقط برای تفریح. مهمتر از همه ، این یک تمرین یادگیری عالی برای یادگیری و امور مالی ماشین است.

دستور جلسه

1. ماژول Stocker
2. میانگین حرکت
3. رگرسیون خطی ساده
4. K-Nearest همسایگان
5. درک چند لایه
6. کاری که باید در عوض انجام دهید
7. زمینه های پیشرفت
8. منابع

اگر می خواهید نمای عمیق تری از این پروژه داشته باشید ، یا اگر می خواهید به کد اضافه کنید ، مخزن GitHub را بررسی کنید.

با استفاده از ماژول Stocker

ماژول Stocker یک کتابخانه ساده پایتون است که شامل مجموعه ای از عملکردهای مفید پیش بینی بازار سهام است. پس از اولیه سازی ، آنها دقیق نیستند (بهتر است فقط یک سکه را بچرخانید). اما با برخی از تنظیم پارامترها ، نتایج می تواند خیلی بهتر باشد.

ابتدا باید مخزن GitHub را کلون کنیم.

ما همچنین باید برخی از کتابخانه ها را وارد کنیم. اکنون که repo کلون شده است ، می توانیم ماژول Stocker را نیز وارد کنیم.

! pip quandl را نصب کنیدPip Pytrends را نصب کنیدوارد کنندهاز Stocker Import Stocker

بیایید یک شیء بورس ایجاد کنیم. من گوگل را به عنوان شرکت خود انتخاب کردم ، اما شما موظف نیستید همین کار را انجام دهید. ماژول Stocker تابعی به نام plot_stock () دارد که به خودی خود کارهای زیادی انجام می دهد.

اگر توجه کنید ، توجه خواهید کرد که تاریخ های مربوط به شیء Stocker به روز نیستند. در سال 2018-3-27 متوقف می شود. با نگاهی دقیق به کد واقعی ماژول ، خواهیم دید که داده ها از تبادل ویکی Quandl گرفته شده است. شاید داده ها به روز نباشد؟

ما می توانیم از Stocker برای انجام تجزیه و تحلیل سهام فنی استفاده کنیم ، اما در حال حاضر ما روی رسانه بودن تمرکز خواهیم کرد. Stocker از بسته ای ایجاد شده توسط فیس بوک به نام پیامبر استفاده می کند که برای مدل سازی افزودنی مفید است.

اکنون بیایید پیش بینی های سهام را آزمایش کنیم. ما باید یک مجموعه تست و یک مجموعه آموزشی ایجاد کنیم. ما مجموعه آموزش خود را به سال 2014-2016 خواهیم داشت و آزمایش ما 2017 خواهد بود. بیایید ببینیم این مدل چقدر دقیق است.

نتایج کاملاً وحشتناک است ، با پیش بینی ها تقریباً به اندازه یک تلنگر سکه بد است. بیایید برخی از Hyperparameters را تنظیم کنیم.

اعتبار سنجی در نقاط تغییر یک روش مؤثر برای تنظیم هایپرپارامترها برای تغییر بهتر الگوریتم پیش بینی سهام است.

اکنون می توانیم مدل تصفیه شده را ارزیابی کنیم تا ببینیم آیا پیشرفت هایی در تخمین های پیش بینی وجود دارد یا خیر.

اکنون وقت آن رسیده است که آزمایش نهایی را انجام دهیم: شانس ما را در بورس سهام امتحان کنید (البته شبیه سازی شده).

حتی بعد از این همه ترفند ، واضح است که خرید و برگزاری به سادگی بازده بهتری را ایجاد می کند.

تهیه داده برای یادگیری ماشین

اکنون بیایید به جای بسته به یک ماژول ، به تلاش برای پیش بینی قیمت سهام با یادگیری ماشین بپردازیم. برای این مثال ، من از Google Stock Data با استفاده از عملکرد Make_df Stocker استفاده می کنم.

میانگین حرکت

به طور خلاصه ، میانگین متحرک یک شاخص متداول در تجزیه و تحلیل فنی است. این یک شاخص عقب مانده است ، به این معنی که از قیمت های گذشته برای پیش بینی قیمت های آینده استفاده می کند. این در صاف کردن هرگونه نوسانات کوتاه مدت و یافتن روند کلی مؤثر است. ما از میانگین های متحرک استفاده خواهیم کرد تا ببینیم آیا می توانیم پیش بینی قیمت سهام کار بهتری انجام دهیم.

اکنون بیایید پیش بینی ما را در کنار قیمت های واقعی ترسیم کنیم.

از نظر درک روند کلی داده های سهام ، روش متوسط در حال حرکت خوب نیست ، اما نتوانست میزان کامل افزایش قیمت را ببیند و این خوب نیست. ما قطعاً نمی خواهیم از این روش برای تجارت واقعی الگوریتمی استفاده کنیم.

رگرسیون خطی ساده

بیایید از روش دیگری برای پیش بینی قیمت سهام آینده ، رگرسیون خطی استفاده کنیم.

ابتدا بیایید یک مجموعه داده جدید مبتنی بر اصلی ایجاد کنیم.

حالا بیایید یک تست قطار را انجام دهیم.

یک بار دیگر ، الگوریتم پیش بینی تا حدودی روند کلی را نشان می دهد ، اما با این وجود نتوانسته است آنچه را که بیشتر به آن احتیاج داریم ضبط کند.

K-Nearest همسایگان

بیایید به الگوریتم یادگیری ماشین دیگر ، KNN حرکت کنیم.

بیایید با همان داده های مربوط به رگرسیون خطی ، همان فرآیند را طی کنیم. تنها تفاوت این است که ما الگوریتم متفاوتی را برای داده ها اجرا خواهیم کرد. بیایید ببینیم کدام پیش بینی ها بهتر هستند.

yikes! این بدترین پیش بینی ای است که ما تاکنون بدست آورده ایم! دلیلی وجود دارد که همسایگان K-Nearest برای مشکلات طبقه بندی و رگرسیون در مقیاس کوچک مفیدتر هستند. به نظر می رسد این یک مورد کلاسیک از بیش از حد است. از آنجا که KNN واقعاً فقط فاصله از هر نقطه به نقطه دیگر را محاسبه می کند ، کاملاً قادر به کشف روند کجا قیمت ها نبود. بعد چیست؟

درک چند لایه

بیایید به برخی از شبکه های عصبی یادگیری عمیق ، به طور خاص ، حرکت کنیم. Perceptron چند لایه یکی از ساده ترین انواع شبکه های عصبی است ، حداقل ساده تر از شبکه های عصبی حلقوی و حافظه کوتاه مدت بلند. ما نیازی به جزئیات در مورد نحوه عملکرد الگوریتم نداریم. اگر علاقه مند هستید ، منابع را در پایان مقاله بررسی کنید.

بیایید نتایج خود را بدست آوریم.

این حتی از KNN بدتر است! چندین عامل وجود دارد که چرا شبکه عصبی در پیش بینی قیمت سهام بسیار بد است و یکی از آنها قطعاً عدم وجود ویژگی ها و داده های معنی دار است. بدیهی است که بسیاری از هایپرپارامترها نیز وجود دارند که می توانند نیز در آن قرار بگیرند.

نتیجه

امروز چه چیزی یاد گرفتیم؟این همه تجزیه و تحلیل فنی چه چیزی را به ما نشان داد؟پاسخ بسیار ساده است: اگر شما کسی مانند ری دالیو یا وارن بوفه یا هر یک از سرمایه گذاران بزرگ نیستید ، بسیار خطرناک است و در نهایت تلاش برای ضرب و شتم بازار سهام سودآور نیست. به گفته برخی منابع ، اکثر صندوق های پرچین حتی نمی توانند بهتر از S& P 500 باشند! بنابراین ، اگر می خواهید بهترین بازده سرمایه گذاری خود را انجام دهید ، استراتژی خرید و نگه داشتن را انجام دهید. در بیشتر موارد ، صرفاً سرمایه گذاری در یک صندوق شاخص مانند S& P 500 بازده بسیار خوبی داشته است ، حتی اگر چندین افت بزرگ در اقتصاد وجود داشته باشد. در پایان ، تصمیم شما برای تصمیم گیری است.

زمینه های پیشرفت

از اینکه وقت خود را برای خواندن این مقاله وقت گذاشتید متشکریم! در صورت تمایل به بررسی سایت نمونه کارها یا GitHub من مراجعه کنید.

1. از داده های مختلف سهام استفاده کنید

من فقط از داده های سهام Google و برای محدوده نسبتاً کمی استفاده کردم. احساس راحتی کنید تا از داده های مختلفی که می توان با Finance Stocker یا Yahoo یا Quandl کشیده شد ، استفاده کنید.

2. الگوریتم های مختلف یادگیری ماشین را امتحان کنید

بسیاری از الگوریتم های یادگیری ماشین در آنجا وجود دارند که بسیار خوب هستند. من فقط از زیر مجموعه کوچکی از آنها استفاده کردم و فقط یکی از آنها حتی یک الگوریتم یادگیری عمیق بود.

3. فشار بیش از حد بیشتر

این به حد کافی گویا هست. در بیشتر مواقع ، تنظیمات پیش فرض برای هر الگوریتم بهینه نیست ، بنابراین برای شما مفید است که برخی از اعتبار سنجی را امتحان کنید تا بفهمید کدام هاپرپارامترها مؤثر هستند.

منابع

1. درک بازار سهام
2. تجزیه و تحلیل فنی
3. یادگیری ماشین چیست؟
4. میانگین حرکت
5. رگرسیون خطی
6. K-Nearest همسایگان
7. شبکه های عصبی
8. تانسور پر
9. کروس