این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

شاخه ها/برچسب ها را تغییر دهید برچسب های شاخه شاخه ها را بارگیری نکرد چیزی برای نشان دادن برچسب ها را بارگیری نکرد چیزی برای نشان دادن

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

لغو ایجاد رمز

• محلی
• مکاشه

https github cli با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید. با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، دسک تاپ GitHub را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

نوع نام آخرین پیام تعهد زمان متعهد شدن رمز

readme. md

راه حل کامل پیتون یادگیری ماشین لاجورد |ذخیره سازی حباب لاجورد هدف اصلی این پروژه پیش بینی قیمت آینده یک سهام و/یا بخش خاص است.

پیش بینی بازار سهام با داده های S& P 500

ما قصد داریم در حوزه اقتصاد مالی ، به طور خاص با داده های قیمت سهام و اصول کار ، کار کنیم. اقتصاد مالی شاخه ای از اقتصاد است که با تمرکز بر فعالیت های پولی مشخص می شود ، که در آن "پول یک نوع یا دیگری احتمالاً در هر دو طرف تجارت ظاهر می شود". نگرانی آن از این رو ارتباط متغیرهای مالی ، مانند قیمت ، نرخ بهره و سهام ، بر خلاف کسانی که مربوط به اقتصاد واقعی (Financial_economics) هستند ، است. پیش بینی بازار سهام عمل تلاش برای تعیین ارزش آینده سهام شرکت یا سایر ابزار مالی که در مبادله معامله می شود. پیش بینی موفقیت آمیز قیمت آینده سهام می تواند سود قابل توجهی داشته باشد (Stock_market_Prediction). امروزه بیشتر معامله گران سهام به سیستم های تجاری هوشمند بستگی دارند که به آنها در پیش بینی قیمت ها بر اساس موقعیت ها و شرایط مختلف کمک می کند ، از این طریق به آنها در تصمیم گیری های سرمایه گذاری فوری کمک می کند. این کار با فرضیه بازار کارآمد مخالف است که نشان می دهد قیمت سهام تمام اطلاعات موجود در حال حاضر را منعکس می کند و هرگونه تغییر قیمت که مبتنی بر اطلاعات تازه آشکار نیست ، ذاتاً غیرقابل پیش بینی هستند (بازار کارآمد).

قبل از اینکه یادداشتی را در مورد سهام و سهام بیشتر کنیم: سهم یک واحد سرمایه غیرقابل تفکیک است و رابطه مالکیت بین شرکت و سهامدار را بیان می کند. ارزش نامیده شده یک سهم ارزش چهره آن است و کل ارزش چهره سهام صادر شده نمایانگر سرمایه یک شرکت است که ممکن است ارزش بازار آن سهام را منعکس نکند (سهم_ (مالی)). درآمد دریافت شده از مالکیت سهام سود سهام است. هنگامی که یک شرکت سود یا مازاد کسب می کند ، (به صورت اختیاری) قادر به پرداخت سود سود به عنوان سود سهام برای سهامداران (سود سهام) است. سهام (همچنین سهام سرمایه) تمام سهام است که مالکیت یک شرکت تقسیم می شود. در انگلیسی آمریکایی ، سهام در مجموع به عنوان "سهام" شناخته می شود. سهم واحد از سهام نشان دهنده مالکیت کسری شرکت به نسبت تعداد کل سهام (سهام) است.

Lingos سهام که ما باید بدانیم: قیمت سهم: قیمت سهام بالاترین مبلغی است که کسی مایل به پرداخت سهام است یا کمترین مبلغی که می توان آن را خریداری کرد (share_price). EPS: درآمد هر سهم (EPS) به عنوان سود یک شرکت تقسیم می شود که توسط سهام برجسته سهام مشترک آن تقسیم می شود. تعداد حاصل به عنوان شاخص سودآوری یک شرکت (EPS) عمل می کند. نسبت P/E: نسبت قیمت به درآمد (نسبت P/E) نسبت برای ارزیابی شرکتی است که قیمت سهم فعلی خود را نسبت به درآمد هر سهم خود (EPS) اندازه گیری می کند. نسبت قیمت به درآمد نیز گاهی اوقات به عنوان قیمت متعدد یا درآمد متعدد (قیمت-درآمد-درآمد) شناخته می شود. سود سهام: سود سهام ، که به عنوان درصد بیان شده است ، یک نسبت مالی (سود سهام/قیمت) است که نشان می دهد یک شرکت هر سال نسبت به قیمت سهام خود (Supivendyield) در سود سهام پرداخت می کند. کلاه بازار: سرمایه گذاری در بازار به کل ارزش بازار دلار سهام ممتاز یک شرکت از سهام اشاره دارد. معمولاً به عنوان "کلاه بازار" گفته می شود ، با ضرب تعداد کل سهام ممتاز یک شرکت با قیمت فعلی بازار یک سهم (MarketCapitalization) محاسبه می شود. EBITDA: EBITDA یا درآمد قبل از بهره ، مالیات ، استهلاک و استهلاک ، معیاری برای عملکرد کلی مالی یک شرکت است و در برخی شرایط به عنوان جایگزینی برای درآمد خالص استفاده می شود. با این حال ، EBITDA می تواند گمراه کننده باشد زیرا هزینه سرمایه گذاری های سرمایه مانند دارایی ، کارخانه و تجهیزات (EBITDA) را از بین می برد. نسبت P/S: نسبت قیمت به فروش (P/S) یک نسبت ارزیابی است که قیمت سهام یک شرکت را با درآمدهای خود مقایسه می کند. این نشانگر ارزشی است که بازارهای مالی در هر دلار از فروش یا درآمد یک شرکت قرار داده اند. نسبت P/B: شرکت ها از نسبت قیمت به کتاب (نسبت P/B) برای مقایسه سرمایه بازار یک شرکت با ارزش کتاب خود استفاده می کنند. این با تقسیم قیمت سهام شرکت در هر سهم توسط ارزش کتاب آن برای هر سهم (BVP) محاسبه می شود. ارزش کتاب دارایی برابر است با ارزش آن در ترازنامه است و شرکت ها آن را محاسبه می کنند که دارایی را در برابر استهلاک انباشته شده خود قرار می دهد. قیمت سهام بسیار پویا و مستعد تغییرات سریع به دلیل ماهیت اساسی دامنه مالی و بخشی از آن به دلیل ترکیبی از پارامترهای شناخته شده (قیمت بسته شدن روز گذشته ، نسبت P/E و غیره) و عوامل ناشناخته (مانند نتایج انتخابات ، مانند نتایج انتخابات است. شایعات و غیره)

داده های مالی با کیفیت بالا برای به دست آوردن گران است و بنابراین به ندرت به صورت رایگان به اشتراک گذاشته می شود. هدف من این است که مجموعه داده های زیر را عاری از خطاها قرار داده و آن را بدون هیچ هزینه ای در دسترس همه قرار دهم. برای این پروژه ، من داده های معاملات روزانه و اصول را برای شرکت هایی که S& P 500 (SP-500) را تشکیل می دهند ، استخراج می کنم. شاخص S& P 500 یا شاخص 500 استاندارد و پور ، ایجاد شده در سال 1957 به طور گسترده به عنوان بهترین سنج واحد از سهام بزرگ ایالات متحده در نظر گرفته می شود. این یک شاخص با سرمایه گذاری در بازار از 500 شرکت بزرگ تجارت عمومی در ایالات متحده است و تقریباً 80 ٪ از سرمایه های موجود در بازار را در بر می گیرد. این لیست دقیق از 500 شرکت برتر آمریکایی با سرمایه گذاری در بازار نیست زیرا معیارهای دیگری نیز وجود دارد که در فهرست (SP500) گنجانده شده است.

منابع داده و توضیحات:

1. قیمت سهام روزانه منبع: Pandas-Datareader از راه دور داده دسترسی به پرونده پرونده: _data. csv مثال: AAPL_09-01-2016_09-01-2021_data. csv
2. منبع عمل تقسیم سهام: Pandas-Datareader از راه دور داده دسترسی به پرونده پرونده: _splits. csv مثال: AAPL_09-02-2016_09-02-2021_splits. csv
3. منبع سود سهام: Pandas-Datareader از راه دور داده دسترسی به پرونده فرم: _dividend. csv مثال: AAPL_09-02-2016_09-02-2021_DIVIDEND. CSV
4. منبع اطلاعات بخش: https://datahub. io/ نام پرونده: snp500_sector. csv
5. منبع اطلاعات مالی: https://datahub. io/ نام پرونده: snp500_financial. csv

سوالات تحقیق؟فواید؟چرا این داده ها را تجزیه و تحلیل می کنیم؟

هدف اصلی این پروژه پیش بینی قیمت آینده یک سهام معین است. این همان کاری است که یک معامله گر در روز و روز انجام می دهد. آنها پیش بینی می کنند که قیمت سهام بر اساس تحقیقات خود و استفاده اختیاری از سیستم ها بالا یا پایین می رود. بر اساس تجزیه و تحلیل ، آنها موقعیتی را در آن سهام باز می کنند و سود خود را بهینه می کنند. یک سیستم پیش بینی سهام بسیار دقیق که با دانش فنی عمیق افزوده شده است می تواند برای باز کردن موقعیت ها با احتمال بالاتر سود استفاده شود.

سوالات تحقیق:

• آیا سهام در آینده (روز/هفته/ماه/سال) بالا یا پایین می رود؟
• آیا این بخش در آینده (روز/هفته/ماه/سال) بالا یا پایین می رود؟
• 10 سهام برتر در S& P 500؟
• 10 سهام برتر رشد در S& P 500؟
• 10 سهام برتر درآمد در S& P 500؟
• هدف کشش: یک نمونه کارها استارت؟
• مرحله بعدی این پروژه می تواند تجزیه و تحلیل احساسات در اخبار بازار سهام باشد.
• مرحله بعدی این پروژه می تواند بازار کلاه یا کلاه کوچک را در نظر بگیرد.
• مرحله بعدی این پروژه می تواند cryptocurrency را در نظر بگیرد.

چرا این داده ها را تجزیه و تحلیل می کنیم؟من فکر می کنم جواب به این دلیل کاهش می یابد که چرا در سهام سرمایه گذاری می کنند. ادبیات زیادی در این مورد وجود دارد اما برای من در زیر 3 دلیل برتر (چرا سرمایه گذاری در سرمایه گذاری) وجود دارد.

1. به طور بالقوه تورم را ضرب و شتم: توانایی محافظت از ثروت شما در برابر تورم ، زیرا بازده ها اغلب به طور قابل توجهی از نرخ تورم پیشی می گیرند.
2. نقدینگی: سهولت خرید و فروش ، که باعث می شود سهام در مقایسه با سایر گزینه ها مانند املاک و مستغلات ، سرمایه گذاری مایع تری داشته باشد.
3. هزینه راه اندازی کم: توانایی شروع کار کوچک. با تشکر از کمیسیون های 0 دلار و امکان خرید سهام کسری با بسیاری از کارگزاران آنلاین ، سرمایه گذاران می توانند با کمی پول خرید سهام را شروع کنند.

قبل از ورود به روشها ، می خواهم بیان کنم که این تحقیق حداقل در مورد اصول زیر (مسئول-AI) تجسم خواهد کرد:

• عادلانه - هوش مصنوعی باید بدون از بین بردن عزت و محافظت در برابر تعصب ، کارآیی را به حداکثر برساند.
• پاسخگو - هوش مصنوعی باید دارای پاسخگویی الگوریتمی باشد.
• سیستم های شفاف - AI باید شفاف و قابل درک باشد.
• اخلاقی - هوش مصنوعی باید به بشریت کمک کند و برای حفظ حریم خصوصی هوشمند طراحی شود.

مجموعه داده های S& P 500 و شرکت از نظر ماهیت فوق العاده غنی هستند و بسیاری از علوم داده جالب و تجزیه و تحلیل داده های اکتشافی با استفاده از آن می توانند انجام شوند. در این پروژه روش زیر دنبال می شود:

1. داده های خام با استفاده از تماس های API با استفاده از نوت بوک های پایتون استخراج می شود و در لایه برنز دریاچه داده ذخیره می شود.
2. تحول و پاکسازی داده ها با استفاده از پایتون از مرحله خام به مرحله فرآوری شده اتفاق افتاد و داده ها در لایه نقره ذخیره می شوند.
3. سرانجام ، داده های پردازش شده با پیوستن به استفاده از طبقه بندی استاندارد در یک لایه خدمت مسطح می شوند. این لایه طلایی دریاچه داده است و در برنامه ها و تجسم ها مورد استفاده قرار می گیرد.
4. پس از پردازش داده ها ، ما تجزیه و تحلیل را با محاسبه شاخص های معاملاتی شروع کردیم. اینها چیزی نیست جز محاسبات ریاضی که می تواند به معامله گران کمک کند تا سیگنال ها و روندهای خاصی را در بازار شناسایی کنند. به هیچ وجه ما جامع نیستیم زیرا صدها شاخص تجارت وجود دارد.
5. در مرحله بعد ، ما نمودار کلاسیک تعاملی OHLC را ترسیم کردیم - نمودار با میله های باز ، بالا ، پایین و نزدیک ، که ما عادت داریم در سیستم عامل های معاملاتی ببینیم.
6. پس از بخش تجسم ، ما به بخش پیش بینی که شامل مراحل زیر بود ، حرکت کردیم: uf0a7 DATA را آماده کنید uf0a7 تقسیم آزمون قطار uf0a7 ایجاد مدل پایه uf0a7 ایجاد مدل رگرسیون uf0a7 آموزش مدل uf0a7 مدل را ارزیابی کنید لطفا توجه داشته باشید که مدل از نظر ماهیت ساده بودو آزمایش های بیشتر و مدلهای پیشرفته برای پشتیبانی بهتر از این پروژه و جلوگیری از مشکلات بیش از حد مورد نیاز است.
7. این هیجان انگیزترین مرحله پروژه است. و این همه چیز در مورد عملیاتی کردن مدل و ایجاد سود از طریق یک استراتژی ساده است.uf0a7 استراتژی: اگر مدل ما ارزش بسته شدن بالاتری را نسبت به ارزش باز پیش بینی کند ، ما در آن روز تجارت را برای یک سهم واحد ایجاد می کنیم - در بازار باز و فروش درست قبل از نزدیک شدن بازار.uf0a7 فرضیات uf0a7 نتایج سرمایه گذاری شبیه سازی شده
8. این زمان صحیح برای انجام تجزیه و تحلیل اساسی است که عملکرد گذشته یک شرکت و همچنین اعتبار حساب های آن را ارزیابی می کند. مراحل زیر برای تجزیه و تحلیل اساسی انجام شد: uf0a7 داده ها را آماده کنید uf0a7 10 سهام برتر ارزش در S& P 500؟uf0a7 10 سهام برتر رشد در S& P 500؟uf0a7 10 سهام برتر درآمد در S& P 500؟
9. یک مدل پیش بینی Timeseries Automl ایجاد کنید.uf0a7 معیارهای عملکرد را دریافت کنید.uf0a7 توضیح مدل را دریافت کنید.
10. مدل ها در نمونه کانتینر لاجورد (موارد موجود در کانتینر) مستقر شده و در نقاط پایانی استراحت قرار دارند که می تواند در هر زبان برنامه نویسی استفاده شود. همچنین می تواند بدون نیاز به تعمیر و نگهداری زیرساخت ها ، همانطور که لازم است ، مقیاس بندی کند. توجه داشته باشید که ما همچنین می توانیم آن را در سرویس Azure Kubeetes (Kubeetes-Service) مستقر کنیم ، ما فقط از آن اجتناب کردیم زیرا نیازی به هزینه اضافی برای ظروف اختصاصی برای این سناریو نداریم.
11. اسکریپت های مشتری که در پایتون نوشته شده است تا با احراز هویت (سرویس-سرویس-سرویس) با تأیید (سرویس-خدمت) تماس بگیرید و نتایج را برگردانید. اینگونه است که ما مدل را عملیاتی خواهیم کرد. در یک محیط واقعی در دنیای واقعی این API های استراحت در یک برنامه یا داشبورد تعبیه شده و در نزدیکی زمان واقعی هشدارهای خرید و فروش ایجاد می شوند.

روشهای پیش بینی در سه دسته گسترده قرار می گیرند و اغلب با هم همپوشانی دارند. آنها تجزیه و تحلیل اساسی ، تجزیه و تحلیل فنی (نمودار) و روشهای مبتنی بر یادگیری ماشین هستند.

تجزیه و تحلیل بنیادی: تحلیلگران بنیادی نگران این شرکت هستند که زیربنای خود سهام است. آنها عملکرد گذشته یک شرکت و همچنین اعتبار حساب های آن را ارزیابی می کنند. بسیاری از نسبت های عملکرد ایجاد شده است که به تحلیلگر اساسی با ارزیابی اعتبار یک سهام ، مانند نسبت P/E ، EPS و غیره کمک می کند. معیارهای اساسی اغلب به صورتهای مالی مانند ترازنامه ، بیانیه درآمد و غیره متکی هستند زیرا تجزیه و تحلیل اساسی به آن متکی استگزارش هایی که بر اساس یک بازه زمانی کندتر صادر می شوند ، به طور معمول هر سه ماهه این نوع تجزیه و تحلیل اغلب برای طرح حرکات قیمت بلند مدت استفاده می شود. تجزیه و تحلیل فنی: تحلیلگران فنی یا چارتیست ها به هیچ یک از اصول شرکت نگران نیستند. آنها به دنبال تعیین قیمت آینده سهام صرفاً بر اساس روند قیمت گذشته (نوعی تجزیه و تحلیل سری زمانی) هستند. از الگوهای بی شماری مانند سر و شانه یا فنجان و بشقاب استفاده می شود. در کنار الگوهای ، از تکنیک هایی مانند میانگین متحرک نمایی (EMA) ، نوسان سازها ، سطح پشتیبانی و مقاومت یا شاخص های حرکت و حجم استفاده می شود. الگوهای شمع چوب ، که گمان می رود اولین بار توسط بازرگانان برنج ژاپنی ساخته شده است ، امروزه توسط تحلیلگران فنی مورد استفاده قرار می گیرد. تجزیه و تحلیل فنی برای استراتژی های کوتاه مدت نسبت به برنامه های بلند مدت استفاده می شود. و بنابراین ، در کالاها و بازارهای فارکس که در آن معامله گران روی حرکات قیمت کوتاه مدت تمرکز می کنند ، بسیار رواج دارد. یادگیری ماشین: با ظهور رایانه دیجیتال ، پیش بینی بازار سهام از آن زمان به قلمرو فناوری منتقل شده است. دستگاه های بردار پشتیبانی (SVM) و شبکه های عصبی مصنوعی (ANN) به طور گسترده ای برای پیش بینی قیمت سهام و حرکات آن استفاده می شوند. هر الگوریتم روش یادگیری خود را دارد و سپس پیش بینی می کند. شبکه عصبی مصنوعی (ANN) یک روش محبوب است که شامل تجزیه و تحلیل فنی برای پیش بینی در بازارهای مالی نیز می شود. تحقیقات اولیه من همچنین عملکرد خوبی از XGBregressor از کتابخانه XGBOOST ، شبکه های عصبی مکرر با سلول های اساسی ، LSTM یا GRU و رگرسیون خطی جالب را نشان می دهد.

این چالش از نظر پیش بینی به بهترین وجه توسط فرضیه دیرینه زیر شرح داده می شود: فرضیه کارآمد بازار (EMH): فرضیه کارآمد بازار (EMH) ، که از طرف دیگر به عنوان تئوری کارآمد بازار شناخته می شود ، فرضیه ای است که می گوید قیمت های مشترکمنعکس کننده تمام اطلاعات و تولید آلفا سازگار غیرممکن است. طبق گفته EMH ، سهام همیشه با ارزش منصفانه خود در صرافی ها تجارت می کند ، و این امکان را برای سرمایه گذاران خریداری سهام کم ارزش یا فروش سهام برای قیمت های تورم غیرممکن می کند. بنابراین ، بهتر است از بازار کلی از طریق انتخاب سهام متخصص یا زمان بندی بازار بهتر عمل کنید و تنها راهی که یک سرمایه گذار می تواند بازده بالاتری کسب کند ، خرید سرمایه گذاری های خطرناک است. فرضیه پیاده روی تصادفی: نظریه پیاده روی تصادفی نشان می دهد که تغییرات در قیمت سهام توزیع یکسانی دارند و از یکدیگر مستقل هستند. بنابراین ، فرض می کند که حرکت گذشته یا روند قیمت سهام یا بازار برای پیش بینی حرکت آینده آن قابل استفاده نیست. به طور خلاصه ، تئوری پیاده روی تصادفی اعلام می کند که سهام مسیری تصادفی و غیرقابل پیش بینی را طی می کند که باعث می شود تمام روش های پیش بینی قیمت سهام در دراز مدت بیهوده باشد. نظریه پیاده روی تصادفی معتقد است که بدون فرض ریسک اضافی ، بهتر از بازار بهتر است. این تجزیه و تحلیل فنی را غیرقابل اعتماد می داند زیرا چارتیست ها فقط پس از توسعه یک روند تعیین شده ، امنیت را خریداری یا می فروشند. به همین ترتیب ، این تئوری به دلیل کیفیت غالباً فقیر اطلاعات جمع آوری شده و توانایی تفسیر نادرست ، تجزیه و تحلیل اساسی را غیرقابل اعتماد می داند. این یک پروژه بسیار جالب است و بسیاری از مردم این کار را به عنوان پایان نامه دکترا دنبال کرده اند. اگر تعادل در تجزیه و تحلیل داده ها در مقابل پیش بینی ها در مقابل نوع مختلف ویژگی ها ایجاد نکنم ، می خواهم در معرض دید قرار بگیرم ، می تواند به سرعت از برنامه خارج شود. همچنین ، من باید مرزها را در MSE یا سایر شاخص های عملکرد ترسیم کنم. تنظیم HyperParameter بخشی از پروژه خواهد بود ، اما من همچنین دوست دارم تا حد امکان مدل های زیادی را امتحان کنم.

چکیده: این پروژه قابلیت های زیر را نشان می دهد:

• بارگیری و تحول داده های S& P 500 و اصول شرکت
• تجزیه و تحلیل داده های اکتشافی و سری زمانی در بالای داده های سهام.
• صفحه نمایش سهام بر اساس اصول.
• پیش بینی قیمت سهام با استفاده از چندین و/یا مجموعه ای از مدل های یادگیری ماشین.

آنچه نیست:

• نباید به عنوان پایه ای برای تصمیم گیری مالی استفاده شود.
• ما در تلاش نیستیم الگوریتم جدیدی را برای ضرب و شتم بازار تولید کنیم.

سلب مسئولیت: از این تحقیق نباید برای تصمیم گیری مالی استفاده شود و از نظر ماهیت کاملاً دانشگاهی است.