国色天香在线观看全集免费播放

你的位置:国色天香在线观看全集免费播放 > 男女扒开双腿猛进入免费看污 > 男女扒开双腿猛进入免费看污

用 Python 机器学习瞻望黄金价钱

发布日期:2022-06-18 17:02    点击次数:124

用 Python 机器学习瞻望黄金价钱

 

读取黄金 ETF 数据

本文使用机器学习门径来瞻望最伏击的贵金属之一黄金的价钱。咱们将创建一个线性总结模子,该模子从畴昔的黄金 ETF (GLD) 价钱中取得信息,并复返对第二天黄金 ETF 价钱的瞻望。GLD是胜利投资什物黄金的最大ETF。(扫描本文最下方二维码取得一路完好源码和Jupyter Notebook 文献打包下载。)

最初要做的是:导入系数必要库。 

# LinearRegression 是一个用于线性总结的机器学习库  from sklearn.linear_model import LinearRegression  # pandas 和 numpy 用于数据操作  import pandas as pd  import numpy as np  # matplotlib 和 seaborn 用于画图图形  import matplotlib.pyplot as plt  %matplotlib inline  plt.style.use('seaborn-darkgrid')  # yahoo Finance用于取得数据  import yfinance as yf 

然后,咱们读取畴昔 12 年的逐日黄金 ETF 价钱数据并将其存储在 Df 中。咱们删除不关连的列并使用 dropna() 函数删除 NaN 值。然后,咱们画图黄金 ETF 收盘价。 

Df = yf.download('GLD', '2008-01-01', '2020-6-22', auto_adjust=True)  DfDf = Df[['Close']]  DfDf = Df.dropna()  Df.Close.plot(figsize=(10, 7),color='r')  plt.ylabel("Gold ETF Prices")  plt.title("Gold ETF Price Series")  plt.show() 

界说诠释变量

诠释变量是一个被主宰以细目第二天黄金 ETF 价钱的变量。浅易地说,它们是咱们想要用来瞻望黄金 ETF 价钱的特征。

该计策中的诠释变量是畴昔 3 天和 9 天的出动平均线。咱们使用 dropna() 函数删除 NaN 值并将特征变量存储在 X 中。

可是,您不错向 X 添加更多您合计对瞻望黄金 ETF 价钱灵验的变量。这些变量不错是本领目标、其他 ETF 的价钱,举例黄金矿工 ETF (GDX) 或石油 ETF (USO),或美国经济数据。

界说因变量

雷同,因变量取决于诠释变量的值。简而言之,这是咱们试图瞻望的黄金 ETF 价钱。咱们将黄金 ETF 价钱存储在 y 中。 

Df['S_3'] = Df['Close'].rolling(window=3).mean()  Df['S_9'] = Df['Close'].rolling(window=9).mean() Df['next_day_price'] = Df['Close'].shift(-1)  DfDf = Df.dropna()  X = Df[['S_3', 'S_9']]  y = Df['next_day_price'] 
将数据拆分为锻炼和测试数据集

在这一步中, a级毛片免费观看在线播放咱们将瞻望变量和输出数据拆分为锻炼数据和测试数据。通过将输入与预期输出配对,锻炼数据用于创建线性总结模子。

测试数据用于臆想模子的锻炼后果。

 •前 80% 的数据用于锻炼,剩余的数据用于测试

  •X_train & y_train 是锻炼数据集

   •X_test & y_test 是测试数据集 

t = .8  t = int(t*len(Df))  XX_train = X[:t]  yy_train = y[:t]  XX_test = X[t:]  yy_test = y[t:] 
创建线性总结模子

咱们当今将创建一个线性总结模子。可是,什么是线性总结?

要是咱们试图捕捉“x”和“y”变量之间的数学关系,通过对散点图拟合一条线,“最佳”凭据“x”的细察值诠释“y”的细察值,那么这么的方程 x 和 y 之间的关系称为线性总结分析。

为了进一步领会,总结用自变量诠释了因变量的变化。因变量“y”是您要瞻望的变量。自变量“x”是您用来瞻望因变量的诠释变量。以下总结方程描画了这种关系: 

Y = m1 * X1 + m2 * X2 + C  Gold ETF price = m1 * 3 days moving average + m2 * 15 days moving average + c  

然后咱们使用拟合门径拟合自变量和因变量(x 和 y)以生成总结系数和常数。 

linear = LinearRegression().fit(X_train, y_train)  print("Linear Regression model")  print("Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \  + %.2f * 9 Days Moving Average (x2) \  + %.2f (constant)" % (linear.coef_[0],男女扒开双腿猛进入免费看污 linear.coef_[1], linear.intercept_)) 

输出线性总结模子:

黄金 ETF 价钱 (y) = 1.20 * 3 天出动平均线 (x1) + -0.21 * 9 天出动平均线 (x2) + 0.43(常数)

瞻望黄金ETF价钱

当今,是期间查验模子是否在测试数据相聚职责了。咱们使用使用锻炼数据集创建的线性模子来瞻望黄金 ETF 价钱。瞻望门径找到给定诠释变量 X 的黄金 ETF 价钱 (y)。 

predicted_price = linear.predict(X_test)  predicted_price = pd.DataFrame(      predicted_price, index=y_test.index, columns=['price'])  predicted_price.plot(figsize=(10, 7))  y_test.plot()  plt.legend(['predicted_price', 'actual_price'])  plt.ylabel("Gold ETF Price")  plt.show() 

该图泄露了黄金 ETF 的瞻望价钱和实质价钱。

当今,让咱们使用 score() 函数筹商拟合优度。 

r2_score = linear.score(X[t:], y[t:])*100  float("{0:.2f}".format(r2_score)) 

输出:

99.21

不错看出,模子的 R 平素为 99.21%。R 平素恒久介于 0 和 100% 之间。接近 100% 的分数标明该模子很好地诠释了黄金 ETF 的价钱。

画图蕴蓄收益

让咱们筹商一下这个计策的蕴蓄收益来分析它的阐扬。

累计收益筹商门径如下:

•  生成黄金价钱的逐日百分比变化

•  当第二天的瞻望价钱高于本日的瞻望价钱时,创建一个以“1”示意的买入交游信号

•  通过将逐日百分比变化乘以交游信号来计悉数策陈述。

•  终末,咱们将画图蕴蓄收益图 

gold = pd.DataFrame()  gold['price'] = Df[t:]['Close']  gold['predicted_price_next_day'] = predicted_price  gold['actual_price_next_day'] = y_test  gold['gold_returns'] = gold['price'].pct_change().shift(-1)  gold['signal'] = np.where(gold.predicted_price_next_day.shift(1) < gold.predicted_price_next_day,1,0)  gold['strategy_returns'] = gold.signal * gold['gold_returns']  ((gold['strategy_returns']+1).cumprod()).plot(figsize=(10,7),color='g')  plt.ylabel('Cumulative Returns')  plt.show() 

输出如下:

咱们还将筹商夏普比: 

sharpe = gold['strategy_returns'].mean()/gold['strategy_returns'].std()*(252**0.5)  'Sharpe Ratio %.2f' % (sharpe)  

输出如下:

'Sharpe Ratio 1.06'

瞻望逐日价钱

您不错使用以下代码来瞻望黄金价钱,并给出咱们应该购买 GLD 也曾不持仓的交游信号: 

import datetime as dt  current_date = dt.datetime.now()  data = yf.download('GLD', '2008-06-01', current_date, auto_adjust=True)  data['S_3'] = data['Close'].rolling(window=3).mean()  data['S_9'] = data['Close'].rolling(window=9).mean()  datadata = data.dropna()  data['predicted_gold_price'] = linear.predict(data[['S_3', 'S_9']])  data['signal'] = np.where(data.predicted_gold_price.shift(1) < data.predicted_gold_price,"Buy","No Position")  data.tail(1)[['signal','predicted_gold_price']].T 

输出如下: