پیش بینی قیمت طلا: راهنمای گام به گام با استفاده از یادگیری ماشین پایتون

بله ، بیایید از تکنیک های رگرسیون یادگیری ماشین استفاده کنیم تا قیمت یکی از مهمترین فلز گرانبها ، The Gold را پیش بینی کنیم.

ما یک مدل رگرسیون خطی یادگیری ماشین ایجاد خواهیم کرد که اطلاعات را از قیمت های گذشته Gold ETF (GLD) می گیرد و روز بعد پیش بینی قیمت طلا را برمی گرداند.

GLD بزرگترین ETF است که مستقیماً در طلای فیزیکی سرمایه گذاری می کند.(منبع)

ما موضوعات زیر را در سفر خود برای پیش بینی قیمت های طلا با استفاده از یادگیری ماشین در پایتون پوشش خواهیم داد.

کتابخانه ها را وارد کرده و داده های Gold ETF را بخوانید

اولین چیزها اول: تمام کتابخانه های لازم را که برای اجرای این استراتژی مورد نیاز هستند وارد کنید.

سپس ، ما 12 سال گذشته داده های قیمت ETF Gold Daily Daily را می خوانیم و آن را در DF ذخیره می کنیم. ما ستون هایی را که مرتبط نیستند حذف می کنیم و مقادیر NAN را با استفاده از عملکرد Dropna () رها می کنیم. سپس ، ما قیمت نزدیک Gold ETF را ترسیم می کنیم.

خروجی:

متغیرهای توضیحی را تعریف کنید

متغیر توضیحی متغیر است که برای تعیین ارزش قیمت طلای ETF روز بعد دستکاری می شود. به سادگی ، آنها ویژگی هایی هستند که ما می خواهیم از آنها برای پیش بینی قیمت ETF طلا استفاده کنیم.

متغیرهای توضیحی در این استراتژی میانگین های متحرک برای 3 روز و 9 روز گذشته است. مقادیر NAN را با استفاده از عملکرد Dropna () رها می کنیم و متغیرهای ویژگی را در X ذخیره می کنیم.

با این حال ، می توانید متغیرهای بیشتری را به X اضافه کنید که فکر می کنید برای پیش بینی قیمت های Gold ETF مفید هستند. این متغیرها می توانند شاخص های فنی ، قیمت ETF دیگر مانند معدنچیان طلا ETF (GDX) یا روغن ETF (USO) یا داده های اقتصادی ایالات متحده باشند.

متغیر وابسته را تعریف کنید

به طور مشابه ، متغیر وابسته به مقادیر متغیرهای توضیحی بستگی دارد. به عبارت ساده ، این قیمت طلای ETF است که ما می خواهیم پیش بینی کنیم. ما قیمت ETF طلا را در y ذخیره می کنیم.

داده ها را به مجموعه داده های قطار و آزمایش تقسیم کنید

در این مرحله ، پیش بینی ها و داده های خروجی را در داده های قطار و آزمایش تقسیم می کنیم. از داده های آموزش برای ایجاد مدل رگرسیون خطی ، با جفت کردن ورودی با خروجی مورد انتظار استفاده می شود.

از داده های آزمون برای تخمین چگونگی آموزش مدل استفاده می شود.

1. 80 ٪ اول از داده ها برای آموزش و داده های باقی مانده برای آزمایش استفاده می شود
2. x_train & y_train مجموعه داده های آموزش هستند
3. x_test & y_test مجموعه داده های تست هستند

یک مدل رگرسیون خطی ایجاد کنید

اکنون یک مدل رگرسیون خطی ایجاد خواهیم کرد. اما ، رگرسیون خطی چیست؟

اگر سعی کنیم رابطه ریاضی بین متغیرهای "x" و "y" برقرار کنیم که "بهترین" مقادیر مشاهده شده "y" را از نظر مقادیر مشاهده شده "x" با قرار دادن یک خط از طریق یک توطئه پراکنده توضیح می دهد ، سپس چنین معادله ایبین x و y تجزیه و تحلیل رگرسیون خطی نامیده می شود.

برای تجزیه بیشتر ، رگرسیون تغییر در یک متغیر وابسته از نظر متغیرهای مستقل را توضیح می دهد. متغیر وابسته - "y" متغیری است که می خواهید پیش بینی کنید. متغیرهای مستقل - "X" متغیرهای توضیحی هستند که برای پیش بینی متغیر وابسته استفاده می کنید. معادله رگرسیون زیر آن رابطه را توصیف می کند:

سپس ما از روش FIT استفاده می کنیم تا متغیرهای مستقل و وابسته (X و Y) را متناسب کنیم تا ضریب و ثابت برای رگرسیون ایجاد کنیم.

خروجی:

مدل رگرسیون خطی

قیمت ETF Gold (Y) = 1. 20 * 3 روز میانگین متحرک (x1) + -0. 21 * 9 روز متوسط حرکت (x2) + 0. 43 (ثابت)

قیمت ETF طلا را پیش بینی کنید

اکنون زمان آن رسیده است که بررسی کنیم که آیا این مدل در مجموعه داده های آزمون کار می کند یا خیر. ما قیمت های ETF طلا را با استفاده از مدل خطی ایجاد شده با استفاده از مجموعه داده قطار پیش بینی می کنیم. روش پیش بینی قیمت ETF طلا (y) را برای متغیر توضیحی داده شده X پیدا می کند.

خروجی:

نمودار قیمت پیش بینی شده و واقعی Gold ETF را نشان می دهد.

حال ، اجازه دهید با استفاده از عملکرد نمره () ، حسن نیت تناسب را محاسبه کنیم.

خروجی:

همانطور که مشاهده می شود ، مربع R از مدل 99. 21 ٪ است. R-Squared همیشه بین 0 تا 100 ٪ است. نمره نزدیک به 100 ٪ نشان می دهد که این مدل قیمت های Gold ETF را به خوبی توضیح می دهد.

ترسیم بازده های تجمعی

بیایید بازده تجمعی این استراتژی را برای تجزیه و تحلیل عملکرد آن محاسبه کنیم.

1. مراحل محاسبه بازده تجمعی به شرح زیر است:
2. تغییر روزانه قیمت طلا را ایجاد کنید
3. هنگامی که قیمت پیش بینی شده روز بعد بیش از قیمت پیش بینی شده روز جاری است ، یک سیگنال معاملاتی خرید ایجاد کنید. در غیر این صورت هیچ موقعیتی گرفته نمی شود
4. بازده استراتژی را با ضرب تغییر درصد روزانه با سیگنال تجارت محاسبه کنید.
5. سرانجام ، ما نمودار بازده تجمعی را ترسیم خواهیم کرد

خروجی در زیر آورده شده است:

ما همچنین نسبت شارپ را محاسبه خواهیم کرد.

خروجی در زیر آورده شده است:

"نسبت شارپ 1. 06"

• 10 الگوریتم یادگیری ماشین برتر که می تواند در استراتژی تجارت شما استفاده شود
• همه چیز راجع به صندوق های مبادله ای (ETF) بیاموزید

چگونه می توان از این مدل برای پیش بینی حرکات روزانه استفاده کرد؟

برای پیش بینی قیمت طلا می توانید از کد زیر استفاده کنید و به سیگنال معاملاتی ارائه دهید که آیا باید GLD بخریم یا موقعیتی نداریم.

خروجی همانطور که در زیر نشان داده شده است

تبریک! شما فقط یک تکنیک اساسی یادگیری ماشین را با نمونه ای از پیش بینی قیمت طلا آموخته اید. با تشکر از خواندن!

اولین استراتژی تجارت خود را با استفاده از الگوریتم یادگیری ماشین به صورت گام به گام با این دوره ایجاد کنید. و اگر می خواهید از متخصصانی مانند دکتر ارنست چان ، چرخه کامل حیات ایجاد استراتژی ، اجرای و تجارت زنده با استفاده از ML یاد بگیرید ، این آهنگ یادگیری برای شما مناسب است.

به لینک GitHub در زیر دسترسی پیدا کنید: نوت بوک استراتژی پیش بینی قیمت طلا

سلب مسئولیت: کلیه سرمایه گذاری ها و تجارت در بورس سهام شامل ریسک است. هرگونه تصمیم برای قرار دادن معاملات در بازارهای مالی ، از جمله تجارت در سهام یا گزینه ها یا سایر ابزارهای مالی ، یک تصمیم شخصی است که فقط باید پس از تحقیقات کامل از جمله ریسک شخصی و ارزیابی مالی و مشارکت کمکهای حرفه ای به میزان شما اتخاذ شودباور کنیداستراتژی های معاملاتی یا اطلاعات مرتبط با آن که در این مقاله ذکر شده است فقط برای اهداف اطلاعاتی است.