資料科學

追逐利益、趨避風險是投資人的目標，預測股價動是達成上述目標的方法之一。過去人們使用ARIMA、GARCH等時間序列，試圖刻畫出未來股價的軌跡。到了今日，隨著深度學習的蓬勃發展，越來越多時間序列相關的模型的出現，似乎能應用於未來股價的預測中。本文即是利用GRU與LSTM兩序列相關模型進行股價預測，使用前5日的開盤、最高、最低、收盤價預測隔日收盤價。 過去【資料科學】LSTM已對LSTM有相當程度的介紹，於此不在多做贅述。本文多加入了同樣是RNN家族的GRU模型，檢驗GRU與LSTM在股價預測上的表現差異。GRU改動了LSTM中記憶單元的遺忘、輸入與輸出門，將其縮編為更新門與重置門，前者類似於LSTM中的遺忘與輸入門，負責決定每次迭代需保留與丟棄的信息，後者則是決定需丟棄過去累積的信息。從三門減少至雙門的情況下，GRU相較於LSTM能達成較快的運算速度，且其表現理論上不亞於LSTM。

主成分分析（Principal Component Analysis，後簡稱為 PCA），為非監督式學習中的一項關鍵技術，被廣泛用於機器學習與統計學領域來分析資料、降低數據維度。核心精神在於將原始數據拆解成具有代表性的主成分，達到降維的目的，並重新描述數據。 本研究的主旨在於運用股票的日報酬資料，利用 PCA 來取得主成分，並建立投資組合。閱讀本篇文章讀者將會看到以下重點： 了解 PCA 之特徵值與特徵向量，並以此設計投資組合 回測投資組合績效的方法，可用於各式投資策略

本文重點概要 前言 預測未來是大家投資者們想追求的，不論是對於未來的市場，或是對於公司及產業的未來，然而預測未 […]

預測股票一直是人們所追求的，然而股票的隨機性遠遠難以掌握，在資料科學的進步下，計算成本大幅降低，本文用使用相較於【量化分析(三)】預測市場?! 更複雜的深度學習模型，進行股票預測，使用前10天的開盤價、最高價、最低價、收盤價、成交量，預測隔天的收盤價。 本文使用RNN架構進行時間序列預測，需要對時間序列或是深度學習有基礎瞭解。

首先，本文會執行模型建置的過程，讓讀者了解Python套件的應用，但是不會進行上篇文章中提及的任何檢定，以避免篇幅冗長；接著，計算預測報酬以及價格；最後將以視覺化方式比對真實歷史價格，來檢討ARMA-GARCH模型的預測效果。 Note：本文是利用”ARMA”模型對報酬率建模，而非上篇文章中的”ARIMA”，其差異處僅在ARIMA能夠處理非定態數據。上篇使用ARIMA是想盡量讓讀者了解時間序列的原理，而本文使用ARMA是想讓讀者多了解一種方法。

首先，時間序列是按照時間軸排序，呈現歷史數據發展過程的資料結構；而時間序列模型，則是依照上述資料結構分析其規律性以及趨勢，並且透過找到概似的軌跡建立模型，用以預測未來的動向。

隨機森林簡單來說，就是由多顆決策樹所組成，其為使用 Bagging 加上隨機特徵採樣所產生的一種演算法。因為是基於 CART演算法，所以可以處理類別資料與連續資料，其他的優點像是其能夠接收高維度的資料、對雜訊容忍度高、擬和結果準確率高等等，故亦時常用於Kaggle等商業競賽。

Django為開源的Python基於web開發而設計的應用框架，因為其擁有既定的框架、豐富的函示庫的優點，使用者能夠以更簡單、快速的方式開發網站。

雷達圖為儀錶板上常見的圖表，也是常用於分析財務報表的方式。透過比較公司其他年度、或是同產業公司的表現，可以了解公司相關財務指標的趨勢，與同期同產業公司的相對表現，因此對於基本面分析相當有幫助。

上一篇講解了如何創立新環境並安裝模組 XGBoost，環境的設定是基礎，一開始出問題的話，後面會有許多奇奇怪怪的 Error，如果還沒看過上一篇的話，可以點這這裡，這一篇我們要對資料做一些處理，完成後再帶入模型裡讓機器去學習，學習後可以去預測未來的報酬，也可以看哪一個因子對預測是最有效果的！

近來演算法興起，發展出各式各樣的數學模型用以分析並解決問題，經典的演算法為「迴歸模型」，但隨著科技的進步，發展出能自我改進學習的算法 — 機器學習(Machine Learning)，發展至今成為最火熱的類累神經網路模型 (Deep Learning)。 本文章介紹樹狀模型 XGBoost，文章將會分兩部分，上半段為環境設定與模組安裝，以及資料庫的介紹。下半段為資料的預處理，模型的訓練、預測和視覺化。

前言 延續前幾集對於 python 常用的套件，如 numpy, pandas 和 matplotlib 進行 […]