Визуализация структуры фондового рынка

Machine LearningMachine LearningBeginner
Практиковаться сейчас

This tutorial is from open-source community. Access the source code

💡 Этот учебник переведен с английского с помощью ИИ. Чтобы просмотреть оригинал, вы можете перейти на английский оригинал

Введение

В этом лабе мы будем использовать несколько методов обучения без учителя, чтобы извлечь структуру фондового рынка из изменений исторических котировок. Мы будем использовать ежедневные изменения цены котировки, чтобы определить, какие котировки коррелируют в условиях других. Затем мы будем использовать кластеризацию, чтобы сгруппировать котировки, которые ведут себя аналогично. Наконец, мы разложим разные символы на 2D-канвасе с использованием методов многообразия, чтобы получить 2D-встраивание.

Советы по работе с ВМ

После запуска ВМ нажмите в левом верхнем углу, чтобы переключиться на вкладку Notebook и получить доступ к Jupyter Notebook для практики.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook не загрузится. Валидация операций не может быть автоматизирована из-за ограничений в Jupyter Notebook.

Если вы сталкиваетесь с проблемами при обучении, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.


Skills Graph

%%%%{init: {'theme':'neutral'}}%%%% flowchart RL ml(("Machine Learning")) -.-> ml/FrameworkandSoftwareGroup(["Framework and Software"]) ml/FrameworkandSoftwareGroup -.-> ml/sklearn("scikit-learn") subgraph Lab Skills ml/sklearn -.-> lab-49303{{"Визуализация структуры фондового рынка"}} end

Получить данные из Интернета

Данные за период с 2003 по 2008 год. Это относительно спокойный период, и их можно получить из API, таких как data.nasdaq.com и alphavantage.co.

Изучение структуры графа

Мы используем метод оценки разреженной обратной ковариации, чтобы определить, какие котировки коррелируют в условиях других. Конкретно, разреженная обратная ковариация дает нам граф, то есть список связей. Для каждого символа символы, с которыми он связан, являются такими, которые полезны для объяснения его колебаний.

Кластеризация с использованием аффинного распространения

Мы используем кластеризацию, чтобы сгруппировать котировки, которые ведут себя аналогично. Здесь мы используем аффинное распространение, так как оно не требует кластеров одинакового размера и может автоматически определить количество кластеров из данных.

Встраивание в 2D-пространство

Для целей визуализации нам нужно разместить разные символы на 2D-канвасе. Для этого мы используем методы многообразия для получения 2D-встраивания.

Визуализация

Результаты работы трех моделей объединяются в 2D-граф, где узлы представляют акции, а ребра, метки кластеров, используются для определения цвета узлов. Модель разреженной ковариации используется для отображения силы ребер, а 2D-встраивание используется для позиционирования узлов на плоскости.

Резюме

В этом практическом занятии мы использовали методы обучения без учителя для извлечения структуры фондового рынка из изменений исторических котировок. Мы научились получать данные, изучать графовую структуру, кластеризовать с использованием аффинного распространения, встраивать в 2D-пространство и, наконец, визуализировать результаты работы трех моделей в 2D-графе.