Инвесторы и трейдеры на фондовом рынке всегда ищут надежные методы прогнозирования будущих результатов компаний. Двумя важными показателями для оценки перспектив компании являются ее прибыль и рост выручки. В этой статье мы рассмотрим, как использовать машинное обучение для прогнозирования доходов и роста доходов на рынке животноводства с использованием данных Yahoo Finance в режиме реального времени. Мы рассмотрим процесс шаг за шагом и реализуем наиболее подходящую модель с помощью Python, сопровождаемую проницательными графиками для визуализации наших прогнозов.
Шаг 1: Сбор данных
Первым шагом является получение данных о фондовом рынке в реальном времени от Yahoo Finance. Мы можем использовать библиотеку yfinance
в Python для доступа к финансовым данным в режиме реального времени. Давайте соберем исторические данные для целевой компании, указав ее биржевой код, дату начала и дату окончания.
import yfinance as yf stock_ticker = 'AAPL' start_date = '2018-01-01' end_date = '2023-07-30' stock_data = yf.download(stock_ticker, start=start_date, end=end_date)
Шаг 2: Предварительная обработка данных
Имея данные на руках, мы можем предварительно обработать их, чтобы рассчитать прибыль и рост выручки. Мы получим эти показатели из существующих финансовых данных, таких как «Прибыль» и «Доход».
stock_data['Earnings_Growth'] = stock_data['Earnings'].pct_change() * 100 stock_data['Revenue_Growth'] = stock_data['Revenue'].pct_change() * 100 stock_data.dropna(inplace=True)
Шаг 3: Сплит «обучение-тестирование»
Чтобы оценить производительность нашей модели прогнозирования, нам нужно разделить данные на наборы для обучения и тестирования. Мы будем использовать примерно 80% данных для обучения и оставшиеся 20% для тестирования.
train_size = int(len(stock_data) * 0.8) train_data, test_data = stock_data.iloc[:train_size], stock_data.iloc[train_size:]
Шаг 4: Выбор модели машинного обучения
Для прогнозирования мы будем использовать модель ARIMA (AutoRegressive Integrated Moving Average), мощную технику прогнозирования временных рядов. ARIMA подходит для фиксации основных закономерностей и сезонности в данных временных рядов.
from statsmodels.tsa.arima.model import ARIMA def train_arima_model(data, column): arima_model = ARIMA(data[column], order=(1, 1, 1)) arima_result = arima_model.fit() return arima_result arima_model_earnings = train_arima_model(train_data, 'Earnings_Growth') arima_model_revenue_growth = train_arima_model(train_data, 'Revenue_Growth')
Шаг 5: Прогноз прибыли и роста доходов
Теперь, когда наши модели ARIMA обучены, давайте сделаем прогнозы доходов и роста доходов на тестовых данных.
earnings_growth_predictions = arima_model_earnings.forecast(steps=len(test_data)) revenue_growth_predictions = arima_model_revenue_growth.forecast(steps=len(test_data))
Шаг 6: Визуализация
Чтобы получить более глубокое представление, давайте визуализируем фактические и прогнозируемые доходы и рост доходов с помощью информативных графиков.
import matplotlib.pyplot as plt plt.figure(figsize=(12, 6)) plt.plot(test_data.index, test_data['Revenue_Growth'], label='Actual Revenue Growth', color='blue') plt.plot(test_data.index, revenue_growth_predictions, label='Forecasted Revenue Growth', color='red') plt.xlabel('Date (UTC Time)') plt.ylabel('Trend Line (Long Term)') plt.legend() plt.show()
Заключение:
В этой статье мы продемонстрировали, как прогнозировать доходы и рост доходов на рынке животноводства с помощью машинного обучения с помощью Python. Мы собрали данные о запасах в реальном времени из Yahoo Finance, обработали их для расчета соответствующих показателей и выбрали модель ARIMA для прогнозирования. Визуализируя фактические и прогнозируемые доходы и рост доходов, мы можем лучше оценить будущие результаты деятельности компании.
Другие блоги:
Контактная информация:
Сообщение от InsiderFinance
Спасибо, что являетесь частью нашего сообщества! Перед тем, как ты уйдешь:
- 👏 Хлопайте за историю и подписывайтесь на автора 👉
- 📰 Смотрите больше контента в InsiderFinance Wire
- 📚 Пройдите наш БЕСПЛАТНЫЙ мастер-класс
- 📈 Откройте для себя Мощные торговые инструменты