Visualizando a Estrutura do Mercado de Ações

Introdução

Neste laboratório, utilizaremos várias técnicas de aprendizagem não supervisionada para extrair a estrutura do mercado de ações a partir das variações nas cotações históricas. Usaremos a variação diária no preço da cotação para identificar quais cotações estão correlacionadas condicionalmente às outras. Em seguida, utilizaremos agrupamento para agrupar cotações que se comportam de forma semelhante. Finalmente, representaremos os diferentes símbolos num canvas 2D utilizando técnicas de variedade para obter um embedding 2D.

Dicas da Máquina Virtual

Após o arranque da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para aceder ao Jupyter Notebook para a prática.

Por vezes, pode ser necessário esperar alguns segundos para o Jupyter Notebook terminar de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se tiver problemas durante o aprendizado, sinta-se à vontade para contactar o Labby. Forneça feedback após a sessão e resolveremos o problema rapidamente para si.

Recuperar os dados da Internet

Os dados são de 2003 a 2008. Este período é razoavelmente estável e pode ser obtido através de APIs como data.nasdaq.com e alphavantage.co.

Aprendizagem de uma estrutura de grafo

Utilizamos a estimação esparsa da inversa da matriz de covariância para determinar quais cotações estão correlacionadas condicionalmente a outras. Especificamente, a inversa esparsa da matriz de covariância fornece-nos um grafo, ou seja, uma lista de ligações. Para cada símbolo, os símbolos aos quais está ligado são aqueles úteis para explicar as suas flutuações.

Agrupamento usando propagação de afinidade

Utilizamos agrupamento para agrupar cotações que se comportam de forma semelhante. Aqui, usamos a propagação de afinidade, pois não impõe clusters de tamanho igual e pode escolher automaticamente o número de clusters a partir dos dados.

Incorporação em espaço 2D

Para fins de visualização, precisamos dispor os diferentes símbolos numa tela 2D. Para isso, usamos técnicas de variedades para obter a incorporação 2D.

Visualização

A saída dos 3 modelos é combinada num gráfico 2D onde os nós representam as ações e as arestas as etiquetas de cluster. As etiquetas de cluster são usadas para definir a cor dos nós. O modelo de covariância esparso é usado para exibir a força das arestas, e a incorporação 2D é usada para posicionar os nós no plano.

Sumário

Neste laboratório, utilizamos técnicas de aprendizagem não supervisionada para extrair a estrutura do mercado de ações a partir das variações nas cotações históricas. Aprendemos a recuperar os dados, aprender uma estrutura de grafo, agrupar usando propagação de afinidade, incorporar em um espaço 2D e, finalmente, visualizar a saída dos 3 modelos em um gráfico 2D.