Tag: come investire soldi

Ciao, mi chiamo Drilon e sono un programmatore con la passione per la finanza personale, in questo articolo proverò a fare una previsione delle azioni di Facebook utilizzando Machine Learning.

Il programma leggerà i dati di borsa su Facebook (FB) e farà una previsione del prezzo in base al giorno.

È estremamente difficile provare a prevedere la direzione del mercato azionario o del prezzo delle azioni, ma in questo articolo ci proverò. Anche le persone con una buona conoscenza delle statistiche e delle probabilità hanno difficoltà a farlo.

Una Support Vector Regression (SVR) è un tipo di Support Vector Machine ed è un tipo di algoritmo di apprendimento supervisionato che analizza i dati per l’analisi di regressione . 

Inizia la programmazione

La prima cosa che mi piace fare prima di scrivere una singola riga di codice è inserire una descrizione nei commenti di ciò che fa il codice. In questo modo posso rivedere il mio codice e sapere esattamente cosa fa.

#Descrizione: questo programma prevede il prezzo delle azioni FB per un giorno specifico 
# utilizzando l'algoritmo di Machine Learning chiamato 
# Modello di regressione vettoriale di supporto (SVR)

Ora importa i pacchetti per semplificare la scrittura del programma.

#importa i pacchetti 
from  sklearn.svm  import SVR 
import  numpy  as  np 
import  pandas  as  pd 
import  matplotlib.pyplot  as  plt
plt.style.use('fivethirtyeight')

Successivamente caricherò i dati sulle azioni di Facebook (FB) che ho ricevuto da finance.yahoo.com in una variabile chiamata “df”, abbreviazione di data frame. 

NOTA: Questi sono i dati di Yahoo per gli ultimi 30 giorni, dal 5–1–2019 al 5–31–2019.
Ricorda che il mercato è aperto solo nei giorni feriali.

#Carica i dati 
df = pd.read_csv('FB_Stock.csv') 
df

Ottieni il numero di righe e colonne nel set di dati per vedere il conteggio di ciascuna. Ci sono 22 righe e 7 colonne di dati.

#Ottiene il numero di righe e colonne nel set di dati 
 df.shape

Stampa l’ultima riga di dati (questi saranno i dati su cui testeremo). Si noti che la data è 05–31–2019, quindi il giorno è 31. Questo sarà l’input del modello per prevedere il prezzo di chiusura rettificato che è $ 177,470001.

#Stampa l'ultima riga di dati 
prezzo_effettivo = df.tail(1) 
prezzo_effettivo

Creare le variabili che verranno utilizzate come insiemi di dati indipendenti e dipendenti impostandole come elenchi vuoti.

Ricrea il frame di dati recuperando tutti i dati tranne l’ultima riga che userò per testare i modelli in seguito e memorizza i nuovi dati con l’ultima riga mancante in “df”. Quindi stampare il nuovo conteggio di righe e colonne per il nuovo set di dati.

#Ottieni tutti i dati tranne l'ultima riga
df = df.head(len(df)-1) 
print(df) 
print(df.shape)

#Crea le liste / Set di dati X e y
days = list() 
adj_close_prices = list()

Ottieni tutte le righe dalla colonna Data, memorizzale in una variabile chiamata “df_days” e ottieni tutte le righe dalla colonna Adj Close Price e memorizza i dati in una variabile chiamata “df_adj_close_price”.

df_days = df.loc[:,'Date'] 
df_adj_close = df.loc[:,'Adj Close Price']

Crea il set di dati indipendente ‘X’ e memorizza i dati nella variabile ‘days’.
Crea il set di dati dipendente “y” e archivia i dati nella variabile “adj_close_prices”.
Entrambi possono essere eseguiti aggiungendo i dati a ciascuna delle liste.

NOTA: per il set di dati indipendente vogliamo solo il giorno dalla data, quindi utilizzo la funzione split per ottenere solo il giorno e trasmetterlo a un numero intero mentre aggiungo i dati all’elenco.

#Crea il set di dati indipendente 'X' come giorni 
for giorno in df_days: 
  days.append( [int(day.split('/')[1]) ] )

#Crea il set di dati dipendente 'y' come prezzi 
for adj_close_price in df_adj_close: 
   adj_close_prices.append(float(adj_close_price))

Guarda e guarda quali giorni sono stati registrati nel set di dati.

stampa (days)

Successivamente, creerò e addestrerò i 3 diversi modelli di Support Vector Regression (SVR) con tre diversi kernel per vedere quale funziona meglio.

#Crea e addestra un modello SVR usando un kernel lineare 
lin_svr = SVR(kernel='linear', C=1000.0) 
lin_svr.fit(days,adj_close_prices)

#Crea e addestra un modello SVR utilizzando un kernel polinomiale 
poly_svr = SVR(kernel='poly', C=1000.0, degree=2) 
poly_svr.fit(days, adj_close_prices)

#Crea e addestra un modello SVR utilizzando un kernel RBF 
rbf_svr = SVR(kernel='rbf', C=1000.0, gamma=0.15) 
rbf_svr.fit(days, adj_close_prices)

Ultimo ma non meno importante, traccerò i modelli su un grafico per vedere quale ha il miglior adattamento e restituirà la previsione del giorno.

#Traccia i modelli su un grafico per vedere quale ha il miglior fit 
plt.figure(figsize=(16,8)) 
plt.scatter(days, adj_close_prices, color = 'black', label='Data') 
plt.plot( days, rbf_svr.predict(days), color = 'green', label='RBF Model') 
plt.plot(days, poly_svr.predict(days), color = 'orange', label='Polynomial Model') 
plt. plot(days, lin_svr.predict(days), color = 'blue', label='Linear Model') 
plt.xlabel('Days') 
plt.ylabel('Adj Close Price') 
plt.title('Support Vector Regression ') 
plt.legend() 
plt.show()

Il miglior modello dal grafico sottostante sembra essere l’ RBF che è un modello di regressione del vettore di supporto che utilizza un kernel chiamato funzione di base radiale. Tuttavia questo grafico può essere fuorviante.

Ora posso iniziare a fare la mia previsione dei prezzi su FB. Ricordando l’ultima riga di dati che è stata lasciata fuori dal set di dati originale, la data era 05–31–2019, quindi il giorno è 31. Questo sarà l’input per i modelli per prevedere il prezzo di chiusura rettificato che è $ 177,470001 .

Quindi ora prevedo il prezzo assegnando ai modelli un valore di 31.

day = [[31]] 
print('Il prezzo previsto da SVR RBF:',rbf_svr.predict(day)) 
print('Il prezzo previsto da SVR lineare',lin_svr.predict(day)) 
print('Il prezzo previsto da SVR polinomiale ',poly_svr.predict(giorno))

Il modello SVR polinomiale ha previsto che il prezzo per il giorno 31 fosse di $ 180,39533267 , che è abbastanza vicino al prezzo effettivo di $ 177,470001 . In questo caso il modello migliore sembra essere il polinomio SVR. Ecco fatto, hai finito di creare il tuo programma SVR per prevedere le azioni FB!

Se sei interessato a leggere di più sull’apprendimento automatico per iniziare immediatamente con problemi ed esempi, ti consiglio vivamente di dare un’occhiata all’Apprendimento automatico pratico con Scikit-Learn e TensorFlow: concetti, strumenti e tecniche per costruire sistemi intelligenti . 

È un ottimo libro per iniziare a imparare come scrivere programmi di apprendimento automatico e comprendere i concetti di apprendimento automatico.

Se hai dubbi o domande fammele pure su Telegram: https://t.me/+0xQYD3WKIAA5Mjg8

Instagram: https://www.instagram.com/investoinvestigando.it/

Dai un’occhiata anche al resto: https://www.investoinvestigando.it