264      Глава 12. Машинное обучение для анализа данных

Прогнозирование тенденций фондового рынка

Чтобы узнать, как еще можно применять машинное обучение для анализа данных, создадим модель для прогнозирования тенденций фондового рынка. Построим еще одну простую классификационную модель, которая предсказывает, будет ли завтра цена акции выше, ниже или такой же, как сегодня. Более сложный вариант модели может задействовать регрессию для прогнозирования изменения фактической стоимости акций по дням.

ПРЕДУПРЕЖДЕНИЕ

Рассматриваемая здесь модель носит исключительно иллюстративный характер инепредназначенадляреальногоиспользования.Моделимашинногообучения, используемые для торговли на бирже, как правило, гораздо сложнее. Любая попытка использовать модель этой книги для совершения реальных биржевых сделокможетпривестикубыткам,закоторыениавтор,нииздательствоненесут ответственности.

По сравнению с моделью для анализа тональности новая модель, прогнозирующая тенденции фондового рынка (как и многие другие модели, использующие нетекстовые данные), поднимает новый вопрос: как выбирать данные, используемые в качестве признаков или входных значений? Для анализа тональности мы использовали векторы признаков, сгенерированные из текста заголовков отзывов с помощью техники BoW. Содержание такого вектора сильно зависит от содержания соответствующего текста. В этом смысле содержание вектора предопределено, он формируется из признаков, извлеченных из текста по определенному правилу.

А когда модель, напротив, использует нетекстовые данные, например цены на акции, часто приходится выбирать и, возможно, даже вычислять набор признаков, который будет использован в качестве входных данных. Что это может быть: процентное изменение цены за день, средняя цена за последнюю неделю или общий объем торгов за два предыдущих дня? Или же процентное изменение цены за два дня, средняя цена за последний месяц и изменение объема торгов за день? В качестве исходных данных для моделей, прогнозирующих тенденции фонового рынка, финансовые аналитики используют всевозможные метрики, подобные этим, в различных комбинациях.

Из главы 10 вы узнали, как извлекать метрики из данных фондового рынка путем расчета процентного изменения цены во времени либо с помощью скользящих окон и т. п. Мы вернемся к некоторым из этих методов позже в этом разделе, когда будем создавать признаки для нашей прогностической модели. Но сначала получим данные.

266      Глава 12. Машинное обучение для анализа данных

join(), что нужно добавить суффикс '_idx' ко всем именам столбцов из датафрейма index_data.

В данном примере нас будут интересовать только ежедневные показатели цены закрытия и объема торгов как для Apple, так и для S&P 500. Фильтруем дата­ фрейм так, чтобы остались только эти столбцы:

df = df[['Close','Volume','Close_idx','Volume_idx']]

Выведем датафрейм df на экран:

Датафрейм содержит непрерывный многомерный временной ряд. Следующий шаг — извлечение из данных признаков, которые можно использовать в качестве входных данных для модели машинного обучения.

Извлечение признаков из непрерывных данных

Мы хотим обучить модель на информации об изменениях цены и объема акций по дням. Как упоминалось в главе 10, вычисление изменений в процентах для данных непрерывного временного ряда производится путем сдвига точек данных во времени, чтобы привести более ранние точки данных в соответствие с текущими для их сравнения. Во фрагменте кода ниже мы используем shift(1) для вычисления процентного изменения цены по дням для каждого столбца датафрейма и сохраняем результаты в новой партии столбцов:

import numpy as np

df['priceRise'] = np.log(df['Close'] / df['Close'].shift(1)) df['volumeRise'] = np.log(df['Volume'] / df['Volume'].shift(1)) df['priceRise_idx'] = np.log(df['Close_idx'] / df['Close_idx'].shift(1))