09.线性回归算法在金融的应用案例

建立自己的特征工程

在特征工程里面我们需要为数据建立如下6个指标:

  • 当前元素与先前元素之间的百分比变化(pct_change 1)
  • 15日简单移动平均线(SMA 15)
  • 60日简单移动平均线(SMA 60)
  • 10日移动标准差(MSD 10)
  • 30日移动标准差(MSD 30)
  • 相对强弱指标(RSI)
def feature_engineering(df):
    df_copy = df.dropna().copy()
    df_copy['returns'] = df_copy['close'].pct_change(1)
    df_copy['SMA 15'] = df_copy['close'].rolling(15).mean().shift(1)
    df_copy['SMA 60'] = df_copy['close'].rolling(60).mean().shift(1)
    df_copy['MSD 10'] = df_copy['close'].rolling(10).std().shift(1)
    df_copy['MSD 30'] = df_copy['close'].rolling(30).std().shift(1)
    RSI = ta.momentum.RSIIndicator(df_copy['close'], window=14, fillna=False)
    df_copy['rsi'] = RSI.rsi()
    return df_copy.dropna()
dfc = feature_engineering(df)
dfc
09.线性回归算法在金融的应用案例

原创文章,作者:朋远方,如若转载,请注明出处:https://caovan.com/09-xianxinghuiguisuanfazaijinrongdeyingyonganli/.html

(0)
打赏 微信扫一扫 微信扫一扫
朋远方的头像朋远方
上一篇 2022年11月15日 上午10:54
下一篇 2022年11月16日 下午7:51

相关推荐

发表回复

登录后才能评论