قدمت محاولة التنبؤ بسوق الأوراق المالية فرصة رائعة لعلماء البيانات الذين يهتمون بالمسائل الصعبة أكثر من المكاسب المالية. يمكنك أن ترى كل يوم صعودًا وهبوطًا في سوق الأوراق المالية والتفكير فيما إذا كانت هناك أنماط يمكن للأشخاص أو النماذج (التعلم الآلي) تعلمها واستنادًا إلى ما تعلموه للتغلب على المتداولين ذوي المؤهلات التجارية المتخصصة والتنبؤ بها. دفع المنحة؟

يقول William Koehrsen في مقالته بعنوان “Python Stock Exchange Forecasting”: “عندما بدأت في استخدام نماذج مختلفة للتنبؤ بالسلسلة الزمنية ، كان علي التركيز على بيانات سوق الأسهم برأس مال محاكى”. اسمحوا لي أن أختبر. لذلك ، توصلت إلى أفكار ، ورؤيتهم يتخلصون منها ، إنه أمر ممتع حقًا.

ومع ذلك ، تعلمت في هذه العملية لغة Python ، والبرمجة الموجهة للكائنات (OOP) ، ومعالجة البيانات ، والنمذجة ، والتصور. لقد اكتشفت أيضًا سبب وجوب تجنب (تخصيص الوقت و) اللعب يوميًا ببيانات سوق الأسهم حتى بدون خسارة دولار (في بيئة محاكاة) (لا يمكنني إلا أن أقول إن هذه اللعبة تستغرق وقتًا طويلاً جدًا).

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

النقطة التي يجب أن أوضحها هي (في رأيي) أن هناك ثلاثة حلول عندما نفشل في العمل:

1. لقد نجحنا في تحريف النتائج كما تبدو.
2. إخفاء النتائج حتى لا يعلم أحد بفشلنا.
3. أظهر جميع نتائجنا وأساليبنا للآخرين (وبالطبع أنفسنا) ، لأنها تجعل الناس على دراية بالطرق المستخدمة سابقًا وغير الناجحة ، ويمكنهم استخدام هذه المعلومات في الجهود المستقبلية لحل المشكلة ، بطريقة تحل بشكل أفضل.

في حين أن الخيار الثالث هو الخيار الأفضل على المستويين الفردي والاجتماعي ، إلا أنه يتطلب الكثير من الشجاعة للقيام بذلك. عندما يحقق النموذج ربحًا كبيرًا ، يمكن إعطاء الفواصل الزمنية له بشكل انتقائي ، أو يمكن التخلص منها ويمكن التظاهر بأنه لا يوجد وقت لبناء هذا النموذج ، وهو بالطبع حل ساذج للغاية. “تنجح البشرية بالفشل والتعلم من إخفاقاتها.”

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

نقطة أخرى جديرة بالملاحظة ، بالطبع ، هي كود Python المكتوب للمهام الصعبة مثل التنبؤ بالمخزون (والعديد من الرموز الأخرى المكتوبة لقضايا معقدة أخرى) حتى لو كان الناتج النهائي للنموذج بعيدًا عن المتوقع. مرة أخرى ، لا يتم اعتبارهم رمزًا عديم الفائدة. في هذه المقالة ، يتم فحص إمكانات أداة “Stocker” أو “Stock Explorer” التي طورها William Koherson للتنبؤ بسوق الأوراق المالية بلغة برمجة Python ، جنبًا إلى جنب مع كيفية ترميزها. الكود الكامل لهذا البرنامج في جيثب (+) متاح لجميع الأشخاص الذين يرغبون في استخدامه أو المشاركة في هذا المشروع.

ستوكر للتنبؤ بسوق الأوراق المالية

Stocker هي أداة Python لاستكشاف سوق الأوراق المالية كتبها William Koherson باستخدام لغة برمجة Python. لتشغيل هذا البرنامج ، بعد تثبيت المكتبات المطلوبة ، يمكنك بدء تشغيل Jupyter Notebook في نفس مجلد البرنامج النصي واستيراد فئة Stocker.

هذا الفصل متاح حاليا. يتم إنشاء كائن من فئة Stocker بتمرير أي قيمة صالحة لمؤشر الأسهم إليه.

كما يتضح من المخرجات ، كانت بيانات مخزون أمازون متاحة منذ عشرين عامًا ويمكن استكشافها. يعتمد Stocker على مكتبة Quandl المالية مع أكثر من 3000 منحة دراسية لاستخدامها. بعد ذلك ، يمكن رسم مخطط بسيط لتاريخ بيانات الأسهم باستخدام طريقة plot_stock.

Maximum Adj. Close = 1305.20 on 2018-01-12.
Minimum Adj. Close = 1.40 on 1997-05-22.
Current Adj. Close = 1293.32.

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

يمكن استخدام إمكانات تحليل Stocker للعثور على الاتجاهات والأنماط العامة في البيانات ، لكن التركيز ينصب على كيفية التنبؤ بأسعار الأسهم المستقبلية بناءً على بيانات سوق الأوراق المالية السابقة (السلاسل الزمنية). توقع Stocker في Stocker باستخدام “النموذج الإضافي” (AM) والذي يتضمن سلاسل زمنية كمزيج من الاتجاه العام مع فصول في نطاقات زمنية مختلفة مثل اليومية والأسبوعية والشهرية. يستخدم Stocker أيضًا الحزمة النبوية التي أنشأها Facebook للنمذجة التراكمية. لا يمكن بناء نموذج والقيام بتداول الأسهم في Stocker إلا باستخدام سطر واحد من التعليمات البرمجية.

# predict days into the future
model, model_data = amazon.create_prophet_model(days=90)

Predicted Price on 2018-04-18 = $1336.98

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

تحتوي التوقعات – الخط الأخضر – على “فاصل الثقة”. يشير هذا إلى “عدم اليقين” في النموذج في التنبؤات. في هذا المثال ، تم تعيين عرض فاصل الثقة إلى 80٪ ، مما يعني أنه من المتوقع أن يتضمن هذا الفاصل الزمني القيمة الفعلية في 80٪ من الحالات. يتسع فاصل الثقة بمرور الوقت حيث يصبح التقدير غير مؤكد مع تحرك البيانات بعيدًا. عندما يتم توقع سوق الأوراق المالية ، يجب أخذ فترات الثقة في الاعتبار. على الرغم من أن معظم الناس يبحثون عن إجابة بسيطة عن المستقبل ، إلا أن التوقعات تشير إلى أن البشر يعيشون في عالم غير مؤكد.

يمكن لأي شخص أن يتنبأ بسوق الأسهم بمجرد اختيار رقم ، والنتيجة هي تنبؤ يعتمد على الاختيار الفردي (William Koherson: “قد أكون مخطئًا ، لكن هذه هي الطريقة التي يتصرف بها الجميع في وول ستريت). لديك”). لكي تكون قادرًا على الوثوق بالنموذج ، من الضروري تقييم دقته. هناك أيضًا عدد من الطرق في Stocker لتقييم دقة النموذج.

تقييم التوقعات

مجموعات بيانات الاختبار والتدريب مطلوبة لحساب الدقة. يحتاج عامل منجم البيانات إلى معرفة الإجابات على مجموعة الاختبار – سعر السهم الحالي – لذلك يتم استخدام البيانات التاريخية من العام الماضي للقيام بذلك (في المثال القادم 2017). أثناء التدريب ، لا يُسمح للنموذج برؤية استجابات مجموعة بيانات الاختبار ، لذلك تُستخدم البيانات من ثلاث سنوات سابقة لتقييم الإطار الزمني (2014 إلى 2016). الفكرة الأساسية لـ “التعلم تحت الإشراف” هي أن النموذج يتعلم الأنماط والعلاقات بين البيانات من مجموعة البيانات ومن ثم يمكنه إعادة إنتاجها بشكل صحيح لبيانات الاختبار.

في الوقت نفسه ، هناك حاجة إلى الدقة (من الناحية الكمية) ، لذلك يتم استخدام التنبؤات لمجموعة بيانات الاختبار والقيم الحالية. والنسبة المئوية عندما يكون السعر الفعلي ضمن مجال الثقة 80٪. كل هذه الحسابات يتم إجراؤها بواسطة Stocker بتصور جيد.

amazon.evaluate_prediction()

Prediction Range: 2017-01-18 to 2018-01-18.

Predicted price on 2018-01-17 = $814.77.
Actual price on    2018-01-17 = $1295.00.

Average Absolute Error on Training Data = $18.21.
Average Absolute Error on Testing  Data = $183.86.

When the model predicted an increase, the price increased 57.66% of the time.
When the model predicted a  decrease, the price decreased  44.64% of the time.

The actual value was within the 80% confidence interval 20.00% of the time.

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

هذه الإحصائيات غير قابلة للتمرير! تمامًا مثل نقرة أو خط. إذا أراد المرء استخدام هذه الإحصائيات للاستثمار ، فقد يكون من الأفضل القيام بشيء أكثر أهمية ، مثل شراء تذكرة يانصيب. ومع ذلك ، فإن العمل مع هذا النموذج لم ينته بعد. من المتوقع عادةً أن يكون أداء النموذج ضعيفًا في البداية لأنه يستخدم الإعدادات الافتراضية (المعلمات الفائقة).

إذا لم تنجح المحاولات الأولية ، يمكن تغيير هذه المعلمات للحصول على نتائج أفضل. توجد إعدادات مختلفة لإعداد نموذج النبي ، وأهمها مقياس “نقطة التغيير” الأولي ، والذي يتحكم في مقدار الوزن الذي يضعه النموذج على التغييرات في اتجاهات البيانات.

حدد أولوية نقطة التغيير

تشير نقاط التغيير إلى الأحياء التي انتقلت فيها السلسلة الزمنية من التدهور أو البطيء إلى السريع (أو العكس). تحدث هذه في المناطق التي تشهد أكبر تغيرات في معدلات السلاسل الزمنية. يوضح مقياس أولوية نقطة التغيير مقدار التركيز على نقاط التغيير في النموذج. تستخدم هذه الحالة للتحكم في “فرط التجهيز” و “عدم الملائمة”.

تؤدي الأولويات الأعلى إلى إنشاء نماذج أثقل في نقاط التحول وملاءمة أكثر مرونة. قد يؤدي هذا إلى زيادة التجهيز ، حيث يلتزم النموذج بشدة ببيانات التدريب وغير قادر على التعميم على بيانات الاختبار الجديدة. يقلل تقليل الأولوية من مرونة النموذج ، مما قد يؤدي إلى مشكلة معاكسة ، وهي غير مناسبة.

يحدث هذا عندما لا يتبع نموذج بيانات التدريب عن كثب بشكل كافٍ ويفشل في تعلم الأنماط الأساسية. إن فهم الإعدادات الصحيحة للتوازن الصحيح هو مسألة هندسية أكثر من كونها نظرية ، وهنا يجب الوثوق بالنتائج التجريبية. تشتمل فئة Stocker على طريقتين مختلفتين لاختيار الأولوية الصحيحة ، المرئية والكمية. فيما يلي يتم استخدام الطريقة الرسومية (المرئية) أولاً.

# changepoint priors is the list of changepoints to evaluate
amazon.changepoint_prior_analysis(changepoint_priors=[0.001, 0.05, 0.1, 0.2])

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

في هذه الخطوة ، يتم تدريب النموذج باستخدام بيانات مدتها ثلاث سنوات ثم يتم عرض التوقعات لمدة ثلاثة أشهر. لا يتم قياس التوقعات هنا لأن المحاولة الوحيدة هي فهم الدور ذي الأولوية لنقطة التغيير. يعمل هذا المخطط بشكل جيد للغاية في عرض ما يزيد عن وأسفل. أولوية منخفضة – خط أزرق – لا يتبع بيانات التدريب.

تتبع الملاحظات السوداء عن كثب بيانات التدريب ويبدو أنها تقوم بعملها وتختار مسارًا من المنطقة العامة. ومع ذلك ، فإن الأولوية القصوى ، الخط الأصفر ، هي أقرب ما يمكن إلى ملاحظات التدريب. القيمة الافتراضية لأولوية نقطة التغيير هي 0.05 ، والتي تقع في مكان ما بين قيمتين من القيم غير العادية.

كما أن الاختلاف بين أوجه عدم اليقين (المسافات المشتركة) مهم للأولويات. أقل أولوية لها أعلى درجة عدم يقين في بيانات التدريب ، ولكن لديها أدنى درجة من عدم اليقين في بيانات الاختبار. كلما زادت الأولوية ، زادت الثقة في بيانات التدريب ، لأنها تتبع كل ملاحظة عن كثب.

ومع ذلك ، عند مناقشة بيانات الاختبار ، يتم فقد نموذج القطع الزائد بدون أي نقاط بيانات ذات صلة. نظرًا لأن سوق الأوراق المالية به قدر ضئيل من التباين ، فقد يبحث الباحث عن نموذج أكثر مرونة من النموذج الافتراضي ، لذلك يمكن للنموذج تسجيل أكبر عدد ممكن من الأنماط الممكنة. الآن وقد تم تكوين فكرة واضحة عن تأثير الأولوية ، فمن الممكن إجراء تقييم رقمي للقيم المختلفة باستخدام مجموعات بيانات التدريب والتحقق من الصحة.

amazon.changepoint_prior_validation(start_date='2016-01-04', end_date='2017-01-03', changepoint_priors=[0.001, 0.05, 0.1, 0.2])

يجب الآن الحرص على أن بيانات التحقق لا تشبه بيانات الاختبار. إذا حدث هذا ، فيبدو أنه تم بناء أفضل نموذج للبيانات ، ولكن في الواقع حدث السحب على المكشوف لبيانات الاختبار ولا يمكن استخدام النموذج لبيانات العالم الحقيقي. بشكل عام ، كما هو شائع في علم البيانات ، سيتم استخدام ثلاث مجموعات بيانات مختلفة: مجموعة بيانات التعليم (2013-2015) ومجموعة بيانات التقييم (2016) ومجموعة بيانات الاختبار (2017). .

تم تقييم أربعة مقاييس ذات أولوية: أخطاء التدريب ، فترات التدريب (فترات الثقة) ، أخطاء الاختبار وفترات الاختبار (فترات الثقة) ، وفي جميع هذه المقاييس ، كانت جميع القيم بالدولار. كما يتضح من الرسم البياني ، كلما زادت الأولوية ، انخفض خطأ التدريب وعدم اليقين في بيانات التدريب. يمكن أيضًا ملاحظة أن هناك أولوية أعلى لتقليل أخطاء الاختبار ، وهي شهادة على الحدس بأن البيانات الملائمة بشكل وثيق أكثر ملاءمة للمخزونات.

في مقابل الحصول على دقة أعلى ، يتم تلقي نطاق أكبر من عدم اليقين بشأن بيانات الاختبار بأولوية متزايدة. يُظهر تقييم ستوكر السابق أيضًا رسمين بيانيين يوضحان النقاط التالية.

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

ملصقات : اطلب بناء روبوت الفوركس , بناء روبوت تداول الأسهم , قم ببناء روبوت تجاري  , تصميم روبوت التاجر , روبوت الفوركس مجاني , برمجة روبوتات الفوركس  , دروس صنع خبير الفوركس , قم ببناء روبوت تجاري باستخدام بایتون ,  تحميل روبوت تجارة الفوركس , روبوت الفوركس الآلي , روبوت تداول الأسهم المجاني , تعلم كيفية بناء روبوت تداول الفوركس , روبوت الباري التجاري , روبوت الفوركس للأندرويد , تصميم روبوت ميتاتريدر , برمجة روبوت ميتاتريدر , تصميم روبوت الفوركس , برمجة روبوتات الفوركس  , التداول الآلي

نظرًا لأن الأولوية القصوى تؤدي إلى أقل نتيجة اختبار ، يجب على المرء محاولة زيادة الأولوية لمعرفة ما إذا كان هذا يؤدي إلى أداء أفضل. يمكن تحسين نتائج البحث عن طريق تمرير القيم المضافة إلى طريقة التقييم.

# test more changepoint priors on same validation range
amazon.changepoint_prior_validation(start_date='2016-01-04', end_date='2017-01-03', changepoint_priors=[0.15, 0.2, 0.25,0.4, 0.5, 0.6])

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

يتم تقليل خطأ مجموعة الاختبار عند الأولوية 0.5. تم تعيين خاصية أولوية نقطة التغيير لكائن Stocker بشكل مناسب.

amazon.changepoint_prior_scale = 0.5

هناك إعدادات أخرى للنموذج يمكن للمستخدم تكوينها ، مثل الأنماط التي يُتوقع رؤيتها أو عدد سنوات بيانات الاختبار التي يستخدمها النموذج. يتطلب العثور على أفضل مجموعة تكرار الإجراء أعلاه بقيم مختلفة. يُنصح جمهور هذه المقالة بتكرار الإجراء المذكور أعلاه بقيم مختلفة.

تقييم النموذج المكرر

الآن وقد تم تحسين النموذج ، يمكن إعادة تقييمه.

amazon.evaluate_prediction()

Prediction Range: 2017-01-18 to 2018-01-18.

Predicted price on 2018-01-17 = $1164.10.
Actual price on    2018-01-17 = $1295.00.

Average Absolute Error on Training Data = $10.22.
Average Absolute Error on Testing  Data = $101.19.

When the model predicted an increase, the price increased 57.99% of the time.
When the model predicted a  decrease, the price decreased  46.25% of the time.

The actual value was within the 80% confidence interval 95.20% of the time.

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

يبدو أفضل. يشير هذا إلى أهمية تحسين النموذج. يوفر استخدام القيم الافتراضية تخمينًا أوليًا عادلًا ، ولكنك تحتاج إلى التأكد من استخدام إعدادات النموذج الصحيحة ، حيث يتم تحسين صوت الاستريو عن طريق ضبط العناصر المختلفة.

العب مع سوق الأسهم

يعد إجراء تنبؤات الأسهم تمرينًا مثيرًا للاهتمام ، ولكن السحر الحقيقي هو النظر في كيفية عمل هذه التوقعات في السوق الحقيقية. باستخدام طريقة التوقع_التقييم ، يمكنك اللعب مع سوق الأوراق المالية باستخدام النموذج الحالي خلال فترة التقييم. في ما يلي ، سيتم استخدام الاستراتيجية التي يتم الحصول على معلوماتها من النموذج الحالي. هذه الإستراتيجية قابلة للمقارنة مع إستراتيجية شراء الأسهم البسيطة والاحتفاظ بها طوال الفترة.

قواعد هذه الإستراتيجية واضحة وهي كالتالي:

1. لكل يوم يتوقعه نموذج توقعات الأسهم ، يمكن شراء الأسهم في بداية اليوم وبيعها في نهاية اليوم. لا ينبغي شراء أي مخزون عندما يتوقع النموذج أن أسعار الأسهم ستنخفض.
2. إذا تم شراء الأسهم من قبل الفرد وارتفع سعره خلال اليوم ، فستكون هناك زيادة في عدد الأسهم المشتراة.
3. إذا تم شراء السهم من قبل شخص ما وانخفض سعره ، فإن المال يضيع مع انخفاض عدد الأسهم.

يجب لعب هذه اللعبة كل يوم طوال فترة التقييم. في هذا المثال ، الفترة تساوي 2017. لتشغيل اللعبة ، يتم إعطاء عدد المشاركات لاستدعاء الأسلوب. يقوم ستوكر بإعلام المستخدم بنتيجة استراتيجيته بالأرقام والرسوم البيانية.

# Going big 
amazon.evaluate_prediction(nshares=1000)

You played the stock market in AMZN from 2017-01-18 to 2018-01-18 with 1000 shares.

When the model predicted an increase, the price increased 57.99% of the time.
When the model predicted a  decrease, the price decreased  46.25% of the time.

The total profit using the Prophet model = $299580.00.
The Buy and Hold strategy profit =         $487520.00.

Thanks for playing the stock market!

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

هذا الناتج له درس رائع: الشراء والاحتفاظ! في حين أنه كان من الممكن تحقيق قدر كبير من الإنجاز مع الاستراتيجية السابقة ، فإن أفضل حل هو الاستثمار لفترة طويلة. يمكنك تجربة فترة اختبار أخرى لمعرفة ما إذا كانت هناك أوقات تتغلب فيها إستراتيجية النموذج الحالي على طريقة الشراء والاحتفاظ.

تعتبر الإستراتيجية الحالية متحفظة لأن المستخدم لا يدخل اللعبة عندما يعلم أن السوق يتقلص ، لذلك من المتوقع أن يكون أداؤه أفضل عندما ينكمش السوق مقارنة باستخدام استراتيجية الشراء والاحتفاظ.

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

استخدم دائمًا أموالًا غير واقعية لتقييم نموذجك وتوقعاتك!

التنبؤ بالمستقبل

الآن وقد تبين أن النموذج الحالي جيد بما فيه الكفاية ، يمكننا التنبؤ بالمستقبل باستخدام طريقة التنبؤ ().

amazon.predict_future(days=10)
amazon.predict_future(days=100)

 

 

الأسهم والتحليل الفني ، واستخراج البيانات ، والذكاء الاصطناعي ، و Python

توقعات المخزون لمدة 10 و 100 يومًا القادمة

غالبًا ما يكون هذا النموذج صعوديًا لأسهم أمازون لأنه يتميز بمعظم المحترفين. بالإضافة إلى ذلك ، يزداد عدم اليقين بمرور الوقت (والذي يقدره المستخدم كما هو متوقع). في الواقع ، إذا تم استخدام هذا النموذج للتداول النشط ، يتم تدريس نموذج جديد كل يوم ويمكن في المستقبل التنبؤ بسوق الأسهم لمدة أقصاها يوم واحد.

على الرغم من أنه قد لا يصبح المرء ثريًا باستخدام أداة Stocker ، إلا أن الفائدة الحقيقية تكمن في بناء النموذج وتطويره ، وليس النتيجة النهائية. حتى يتم اختبار النموذج فعليًا ، لا يمكن معرفة ما إذا كان قادرًا على حل مشكلة ، لكن المحاولة والفشل أفضل من عدم القيام بأي شيء. يمكن للأشخاص المهتمين بتطوير هذا النموذج أو بناء نموذج خاص بهم بناءً عليه تنزيل كود Stocker في بوابة المشروع (+) إعادة النظر.

ملصقات : اطلب بناء روبوت الفوركس , بناء روبوت تداول الأسهم , قم ببناء روبوت تجاري  , تصميم روبوت التاجر , روبوت الفوركس مجاني , برمجة روبوتات الفوركس  , دروس صنع خبير الفوركس , قم ببناء روبوت تجاري باستخدام بایتون ,  تحميل روبوت تجارة الفوركس , روبوت الفوركس الآلي , روبوت تداول الأسهم المجاني , تعلم كيفية بناء روبوت تداول الفوركس , روبوت الباري التجاري , روبوت الفوركس للأندرويد , تصميم روبوت ميتاتريدر , برمجة روبوت ميتاتريدر , تصميم روبوت الفوركس , برمجة روبوتات الفوركس  , التداول الآلي