ML for trading -cs7646-03

# 主要内容
1.对于股票数据中缺失值的处理
2.日收益率(直方图,散点图)
3.相关性系数

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 有缺失值的数据
df_fake = pd.read_csv('../Data/data/002233lost.csv',index_col='date',parse_dates=False,usecols=['date','close'],na_values=['nan'])
df_fake.plot(figsize=(12,6))
plt.show()

# 中间的缺失部分向前补充
# 最开始的缺失向后补充
df_fake.fillna(method='ffill', inplace =True)
df_fake.fillna(method='bfill', inplace =True)
df_fake.plot(figsize=(12,6))
plt.show()

# 收盘价格,分别是sz50,jsjf,cydl
df_close = pd.read_csv('../Data/data/df_close.csv',index_col='date')
print df_close[:3]

                 SZ   JFJS  CYDL
date
2017-01-03  2307.89  9.121  6.11
2017-01-04  2322.21  9.230  6.12
2017-01-05  2322.68  9.110  6.12

# 计算日收益率
def compute_dailyreturns(df):daily_returns = df.copy()daily_returns[1:] = (df[1:]/df[:-1].values) - 1.0daily_returns.iloc[0,:] = 0return daily_returns

# 上证50,jfjs,cydl的日收益率
daily_returns = compute_dailyreturns(df_close)
daily_returns.plot(figsize=(10,5))
plt.grid()
plt.show()

# 以直方图形式
# 计算上证指数收益率的,均值,和标准差
def plot_hist(df,bins=20):for name in df.columns:df[name].hist(bins=bins,label=name)mean = df[name].mean()std  = df[name].std()plt.axvline(mean, color='black', linestyle ='dashed', lw=2, label='mean')plt.axvline(std, color='red', linestyle = 'dashed', lw=2, label='std')plt.axvline(-std, color='red', linestyle ='dashed', lw=2, label='-std')plt.legend()   # label搭配使用plt.show()plot_hist(daily_returns)

# 在同一坐标系中日收益率对比
def plot_dhist(df, alphas, bins=20):for name,a in zip(df.columns, alphas):df[name].hist(bins=bins, label=name, alpha=a)plt.legend()   plt.show()# 上证指数SZ与CYDL与JFJS
plot_dhist(daily_returns, alphas=[1, 0.6, 0.5])
# kurstosis计算
# daily_returns.kurtosis

# 收益率的散点图
# 用直线去拟合
# 比较两两之间的相关性
def plot_scatter(df, xaxis):for name in df.columns:df.plot(kind='scatter', x = xaxis, y = name)a, b = np.polyfit(df[xaxis], df[name], 1)    # 一次多项式拟合,返回斜率和截距plt.plot(df[xaxis], a * df[xaxis] + b, c='red')plt.show()plot_scatter(daily_returns, 'SZ')

# CYDL 与 JFJS
daily_returns.plot(kind='scatter', x = 'CYDL', y = 'JFJS')
a ,b = np.polyfit(daily_returns['CYDL'], daily_returns['JFJS'], 1)
plt.plot(daily_returns['CYDL'], a * daily_returns['CYDL'] + b, c='red')
plt.show()

# CYDL 与 SZ,直线拟合效果最好,但是不是正相关
# 收益率之间的相关系数
daily_returns.corr()

            SZ      JFJS      CYDL
SZ    1.000000  0.034248 -0.079755
JFJS  0.034248  1.000000  0.340571
CYDL -0.079755  0.340571  1.000000

# .corr()返回对象是DataFrame,支持切片操作
daily_returns.corr().iloc[0,:]

SZ      1.000000
JFJS    0.034248
CYDL   -0.079755
Name: SZ, dtype: float64

ML for trading -cs7646-03相关推荐

ML 学海拾贝 07/03/2018
auto encoder 优点 back-propagation 的算法?greedy method? NN 的中间层是检测什么的?
2019，不可错过的NLP“高光时刻”
作者 | Elvis 译者 | 凯隐.夕颜出品 | AI科技大本营(ID: rgznai100) [导读]对自然语音处理(NLP)领域而言,2019年是令人印象深刻的一年,本文将回顾2019年NLP ...
收藏 | 2019 NLP大全：论文、博客、教程、工程进展全梳理（附链接）
来源:机器之心本文约为11000字,建议阅读20+分钟在整个2019年,NLP领域都沉淀了哪些东西?有没有什么是你错过的?如果觉得自己梳理太费时,不妨看一下本文作者整理的结果. 2019 年对自然 ...
「自然语言处理NLP」的“高光时刻” --- 28篇标志性论文
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 自然语言处理专家elvis在medium博客上发表了关于NLP在2019年的亮点总 ...
2019年「自然语言处理NLP」的“高光时刻” --- 28篇标志性论文
点击上方"深度学习技术前沿",选择"星标"公众号资源干货,第一时间送达自然语言处理专家elvis在medium博客上发表了关于NLP在2019年的亮点总结. ...
28篇标志性论文见证「自然语言处理NLP」2019-2020年度亮点进展
来源:专知 [导读]自然语言处理专家elvis在medium博客上发表了关于NLP在2019年的亮点总结.对于自然语言处理(NLP)领域而言,2019年是令人印象深刻的一年.在这篇博客文章中,我想重点 ...
学习+科研+做项目深度学习最全详细资料
李宏毅2020机器学习深度学习(完整版)国语 [双语字幕]吴恩达深度学习deeplearning.ai 深度学习(卷积网络.循环神经网络.对抗神经网络.Tensorflow实战) 更多资料请关注公众号 ...
安卓下快速搜索文件实现历程{NDK}
我在公司有一个文件浏览器的开发项目,需要很快的去遍历某一路劲下的所有的"图片文件"."视频文件"."音频文件"."文档文件&quo ...
Acer 4750 安装黑苹果_zx50jx4200安装黑苹果的辛酸路
前言前段时间看了<网络迷踪>---- 一个用电脑录屏功能拍摄的电影,然后就被Mac OS的流畅操作吸引了,当天晚上就在虚拟机安装了黑苹果.毕竟虚拟机,体验极差.作为一个计算机专业的学生, ...
课程 | 2021年斯坦福大学Jure Leskovec主讲CS224W 图机器学习
图科学实验室Graph Science Lab 来源:斯坦福大学 SNAP 近年来,图神经网络(GNN)成为网络表示学习和分析的热点研究问题,其特点是将以神经网络为代表深度学习技术用于网络结构的建模与 ...

ML for trading -cs7646-03

ML for trading -cs7646-03相关推荐

最新文章

热门文章