資料科學

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 […]

前言 在連續兩周較為複雜的內容之後，讓我們休息一下，回到兩周以前重點【資料科學練功坊】，把基礎資料處裡分析當中 […]

前言 有在接觸量化投資的大家想必都對公開數據源相當熟悉(像是Yahoo Finance,Google Fina […]

前言 透過前兩篇文章想必大家應該都已經知道要如何透過TEJ API來抓取資料，然後再儲存到適合的格式，最後再定 […]