Visualizando la estructura del mercado de valores

Introducción

En este laboratorio, usaremos varias técnicas de aprendizaje no supervisado para extraer la estructura del mercado de valores a partir de las variaciones en las cotizaciones históricas. Usaremos la variación diaria del precio de la cotización para encontrar qué cotizaciones están correlacionadas condicionalmente a las demás. Luego, usaremos el agrupamiento para agrupar cotizaciones que se comportan de manera similar. Finalmente, colocaremos los diferentes símbolos en un lienzo 2D usando técnicas de variedad para recuperar la incrustación 2D.

Consejos sobre la VM

Una vez que se haya completado la inicialización de la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos para que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje comentarios después de la sesión y resolveremos rápidamente el problema para usted.

Skills Graph

Recuperar los datos de Internet

Los datos son de 2003 - 2008. Esto es razonablemente tranquilo y se pueden obtener de APIs como data.nasdaq.com y alphavantage.co.

Aprendiendo una estructura de gráfico

Usamos la estimación de covarianza inversa dispersa para encontrar qué cotizaciones están correlacionadas condicionalmente a las demás. Específicamente, la covarianza inversa dispersa nos da un gráfico, que es una lista de conexiones. Para cada símbolo, los símbolos a los que está conectado son aquellos útiles para explicar sus fluctuaciones.

Agrupamiento usando propagación de afinidad

Usamos el agrupamiento para agrupar cotizaciones que se comportan de manera similar. Aquí, usamos la propagación de afinidad ya que no impone clusters de tamaño igual y puede elegir automáticamente el número de clusters a partir de los datos.

Incrustación en un espacio 2D

Con fines de visualización, necesitamos colocar los diferentes símbolos en un lienzo 2D. Para esto usamos técnicas de variedad para recuperar la incrustación 2D.

Visualización

La salida de los 3 modelos se combina en un gráfico 2D donde los nodos representan las acciones y las aristas las etiquetas de cluster se usan para definir el color de los nodos. El modelo de covarianza dispersa se utiliza para mostrar la fuerza de las aristas, y la incrustación 2D se utiliza para posicionar los nodos en el plano.

Resumen

En este laboratorio, usamos técnicas de aprendizaje no supervisado para extraer la estructura del mercado de valores a partir de las variaciones en las cotizaciones históricas. Aprendimos cómo recuperar los datos, aprender una estructura de gráfico, agrupar usando propagación de afinidad, incrustar en un espacio 2D y, finalmente, visualizar la salida de los 3 modelos en un gráfico 2D.