آموزش پیش بینی بورس با پایتون و هوش مصنوعی: به دنیای هوش مصنوعی خوش اومدید.
این روزها، روزهای داغ بورسیه و همه می خوان در بورس سرمایه گذاری کنند. اما خجم عظیمی از نقدینگی که وارد بورس میشه در نهایت ممکنه موجب رکود در بازار بورس بشه و قطعا همه کسانی که در آن سرمایه گذاری می کنن برنده نیستند! اما چجوری میشه در این رقابت بزرگ پیروز شد و نقدینگی خود را افزایش داد.. چند راه مشخص وجود داره:
۱ – با کله گنده های بورس در ارتباط باشیم و بدونیم چه بورسی رو باید بخریم
۲ – تجربه خیلی زیادی در بورس داشته و از افت و خیز بازار با خبر باشیم
۳ – از آینده خبر داشته باشیم و بدونیم چه بورسی قراره رشد کنه.
دوتا راه اول که خب مشخصه، هرکی داشته باشه برندس.. اما برای بقیه مردم چی؟ میمونه راه سوم! یعنی پیش بینی آینده.
تا چند سال پیش وقتی راه سوم رو مطرح میکردی ممکن بود بهت بخندن اما امروزه با هوش مصنوعی این کار شدنیه!
در این آموزش خیلی ساده و بدون هیچ پیش زمینه ای بهتون یاد میدیم که چجوری بورس رو پیش بینی کنید و بفهمید احتمالا چه نمادهایی رشد خواهند داشت!!!!
مقدمه:
به سایت کولب گوگل برید… این سایت به شما یک بستر کدنویسی پایتون با تمام امکانات رو ارائه میده.
در صفحه باز شده روی File و سپس New Notebook کلیک کنید.
(در این صفحه از شما می خواد که به جیمیل خود وارد شوید.. پس اگه حساب جیمیل ندارید حتما بسازید)
پس از وارد شدن به حساب جیمیل وارد صفحه زیر می شوید و این یعنی همه چی برای کد نویسی پیش بینی بورس آمادس
خب بعد از اینکه یک فایل مثل تصویر بالا ایجاد کردید حالا شروع می کنیم به کد نویسی: به ترتیب زیر:
بخش اول : اضافه کردن کتابخونه ها
#Install the dependencies
import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
plt.style.use('bmh')
بخش دوم : اضافه کردن فایل داده های بورسی
#Load the data
from google.colab import files
uploaded = files.upload()
بخش سوم: ذخیره داده های بورسی در یک فریم دیتا
#Store the data into a data frame
df = pd.read_csv('Siman.csv')
df.head(6)
بخش چهارم: خوندن تعداد روزهایی که داده های بورسی ثبت شده اند در فایل بالا
#Get the number of trading days
df.shape
بخش پنجم: نمایش نمودار قیمتی داده های بورسی
#Visualize the close price data
plt.figure(figsize=(16,8))
plt.title('SHASTA')
plt.xlabel('Days')
plt.ylabel('Close Price RLS (rial)')
plt.plot(df['Close Price'])
plt.show()
بخش ششم: ذخیره رشته اعداد قیمتهای داده بورسی
#Get the close price
df = df[['Close Price']]
df.head(100) #4
بخش هفتم: ایجاد یک ستون پیش بینی برای ۲۵ روز بعدی
#Create a variable to predict 'x' days out into the future
future_days = 25 #25
#Create a new column (target) shifted 'x' units/days up
df['Prediction'] = df[['Close Price']].shift(-future_days)
df.tail(4) #4
بخش هشتم: ایجاد یک آرایه ستونی از قیمت ها و حذف قیمت های ۲۵ روز گذشته
#Create the feature data set (X) and convert it to a numpy array and remove the last 'x' rows/days
X = np.array(df.drop(['Prediction'], 1))[:-future_days]
print(X)
بخش نهم: ایجاد یک ستون هدف قیمت
#Create the target data set (y) and convert it to a numpy array and get all of the target values except the last 'x' rows/days
y = np.array(df['Prediction'])[:-future_days]
print(y)
بخش دهم: تبدیل دیتا به ۷۵ درصد آموزش و ۲۵ درصد تست
#Split the data into 75% training and 25% testing
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.25)
بخش یازدهم: ایجاد مدلهای یادگیری
#Create the models
#Create the decision tree regressor model
tree = DecisionTreeRegressor().fit(x_train, y_train)
#Create the linear regression model
lr = LinearRegression().fit(x_train, y_train)
بخش دوازدهم: دریافت ستون آینده از بالا
#Get the last 'x' rows of the feature data set
x_future = df.drop(['Prediction'], 1)[:-future_days]
x_future = x_future.tail(future_days)
x_future = np.array(x_future)
x_future
بخش سیزدهم: نمایش مدل پیش بینی
#Show the model tree prediction
tree_prediction = tree.predict(x_future)
print(tree_prediction)
print()
#Show the model linear regression prediction
lr_prediction = lr.predict(x_future)
print(lr_prediction)
بخش چهاردهم: نمایش دیتای پیش بینی شده
#Visualize the data
predictions = tree_prediction
valid = df[X.shape[0]:]
valid['Predictions'] = predictions
plt.figure(figsize=(16,8))
plt.title('Model')
plt.xlabel('Days')
plt.ylabel('Close Price USD ($)')
plt.plot(df['Close Price'])
plt.plot(valid[['Close Price', 'Predictions']])
plt.legend(['Orig', 'Val', 'Pred'])
plt.show()
در نهایت نتیجه به صورت زیر خواهد شد:
برای راحتی کار شما عزیزان یک فیلم آموزشی تهیه کردیم که تمام مراحل کد نویسی تو اون نشون داده شده
جهت مشاهده فیلم آموزشی آموزش پیش بینی بورس با پایتون و هوش مصنوعی اینجا را کلیک کنید!
توجه::::: انجمن علمی آموزشی آموخ هیچگونه مسئولیتی در قبال عواقب استفاده از این آموزش به عهده نمی گیرد.. و فقط صرفا جنبه آموزشی دارد
فایل رو نزاشتید .
سلام اگه منظورتون فایل Siman.csv هست مربوط به بورسه و به راحتی برای هرشرکتی رو میتونید از سایت سازمان بورس : http://tse.ir/ دانلود کنید.