Visualisierung der Struktur des Aktienmarktes

Einführung

In diesem Lab verwenden wir mehrere Techniken für unüberwachtes Lernen, um die Struktur des Aktienmarkts aus Schwankungen historischer Kurse zu extrahieren. Wir verwenden die tägliche Schwankung des Kursspreises, um zu finden, welche Kurse bedingt auf die anderen korreliert sind. Anschließend verwenden wir Clustering, um Kurse zusammenzufassen, die ähnlich verhalten. Schließlich legen wir die verschiedenen Symbole auf einer 2D-Leinwand mit Hilfe von Manifaltigkeitstechniken aus, um eine 2D-Einbettung zu erhalten.

Tipps für die VM

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback ab, und wir werden das Problem für Sie prompt beheben.

Die Daten aus dem Internet abrufen

Die Daten stammen aus dem Zeitraum 2003 - 2008. Dies ist vergleichsweise ruhig und kann von APIs wie data.nasdaq.com und alphavantage.co abgerufen werden.

Ein Graphenstruktur lernen

Wir verwenden die schnelle inverse Kovarianzschätzung, um zu bestimmen, welche Kurse bedingt auf die anderen korreliert sind. Genauer gesagt liefert die schnelle inverse Kovarianz uns einen Graphen, das heißt eine Liste von Verbindungen. Für jedes Symbol sind die Symbole, mit denen es verbunden ist, die nützlich sind, um seine Schwankungen zu erklären.

Clustering mit Affinitätsausbreitung

Wir verwenden Clustering, um Kurse zusammenzufassen, die ähnlich verhalten. Hier verwenden wir Affinitätsausbreitung, da diese keine gleichgroßen Cluster erzwängt und automatisch die Anzahl der Cluster aus den Daten wählen kann.

Einbettung in den 2D-Raum

Zwecks Visualisierung müssen wir die verschiedenen Symbole auf einer 2D-Leinwand darstellen. Dazu verwenden wir Manifaltigkeitstechniken, um eine 2D-Einbettung zu erhalten.

Visualisierung

Die Ausgabe der 3 Modelle wird in einem 2D-Graphen kombiniert, wobei die Knoten die Aktien darstellen und die Kanten die Clusterbezeichnungen verwendet werden, um die Farbe der Knoten zu definieren. Das sparse Kovarianzmodell wird verwendet, um die Stärke der Kanten anzuzeigen, und die 2D-Einbettung wird verwendet, um die Knoten im Plan zu positionieren.

Zusammenfassung

In diesem Lab haben wir unsupervised learning Techniken verwendet, um die Struktur des Aktienmarktes aus Schwankungen historischer Kurse zu extrahieren. Wir haben gelernt, wie man die Daten abruft, eine Graphenstruktur lernt, Clustering mit Affinitätsausbreitung durchführt, in den 2D-Raum einbettet und schließlich die Ausgabe der 3 Modelle in einem 2D-Graphen visualisiert.