python数据分析-利用机器学习技术预测黄金价格

KaneBurger
489 阅读2分钟

本文已参与「新人创作礼」活动，一起开启掘金创作之路

使用机器学习方法预测黄金价格

历史上，黄金在包括美国在内的世界各地都被用作一种货币。目前，黄金等贵金属都由各国的中央银行持有，以保证再次偿还外债，并控制通货膨胀，从而反映出国家的财政实力。

预测黄金日利率的涨跌，可以帮助投资者决定何时买入（或卖出）该大宗商品。

在这个项目中，我们将使用最全面的特征集来预测黄金价格，并将应用各种机器学习算法来预测和比较它们的结果。我们还确定了高度影响黄金汇率的属性。

关于数据

本研究的数据收集于2011年11月18日至2019年1月1日的不同来源。该数据总共有1718行，共计80列。属性的数据，如石油价格、标准普尔(S&P)500指数，道琼斯指数美国债券利率（10年），欧元美元汇率，贵金属价格银和铂和其他金属如钯和铑，美元指数的价格，埃尔多拉多黄金公司和金矿ETF收集。

特征

  • Gold ETF :-日期、打开、高、低、关闭和音量 .
  • S&P 500 Index :- 'SP_open', 'SP_high', 'SP_low', 'SP_close', 'SP_Ajclose', 'SP_volume'
  • Dow Jones Index :- 'DJ_open','DJ_high', 'DJ_low', 'DJ_close', 'DJ_Ajclose', 'DJ_volume'
  • Eldorado Gold Corporation (EGO) :- 'EG_open', 'EG_high', 'EG_low', 'EG_close', 'EG_Ajclose', 'EG_volume'
  • EURO - USD Exchange Rate :- 'EU_Price','EU_open', 'EU_high', 'EU_low', 'EU_Trend'
  • Brent Crude Oil Futures :- 'OF_Price', 'OF_Open', 'OF_High', 'OF_Low', 'OF_Volume', 'OF_Trend'
  • Crude Oil WTI USD :- 'OS_Price', 'OS_Open', 'OS_High', 'OS_Low', 'OS_Trend'
  • Silver Futures :- 'SF_Price', 'SF_Open', 'SF_High', 'SF_Low', 'SF_Volume', 'SF_Trend'
  • US Bond Rate (10 years) :- 'USB_Price', 'USB_Open', 'USB_High','USB_Low', 'USB_Trend'
  • Platinum Price :- 'PLT_Price', 'PLT_Open', 'PLT_High', 'PLT_Low','PLT_Trend'
  • Palladium Price :- 'PLD_Price', 'PLD_Open', 'PLD_High', 'PLD_Low','PLD_Trend'
  • Rhodium Prices :- 'RHO_PRICE'
  • US Dollar Index : 'USDI_Price', 'USDI_Open', 'USDI_High','USDI_Low', 'USDI_Volume', 'USDI_Trend'
  • Gold Miners ETF :- 'GDX_Open', 'GDX_High', 'GDX_Low', 'GDX_Close', 'GDX_Adj Close', 'GDX_Volume'
  • Oil ETF USO :- 'USO_Open','USO_High', 'USO_Low', 'USO_Close', 'USO_Adj Close', 'USO_Volume'

导入库

import pandas as pd
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib
from sklearn.preprocessing import MinMaxScaler
from sklearn.ensemble import RandomForestRegressor
from matplotlib.pyplot import figure
import seaborn as sns
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.dates as mdates
from sklearn import linear_model
from sklearn.model_selection import TimeSeriesSplit
from sklearn.svm import SVR

# 打印当前目录下的文件
import os
for dirname, _, filenames in os.walk('./'):
    for filename in filenames:
        print(os.path.join(dirname, filename))

# parse_dates=True : 尝试解析index为日期格式；
'''
如果为某些或所有列启用了parse_dates，并且datetime字符串的格式都相同，
则通过设置infer_datetime_format=True，可以大大提高解析速度，
pandas将尝试推断datetime字符串的格式，然后使用更快的方法解析字符串，
从而将解析速度提高5～10倍。如果无法对整列做出正确的推断解析，
Pandas将返回到正常的解析模式。
'''


df_final = pd.read_csv("FINAL_USO.csv",na_values=['null'],index_col='Date',parse_dates=True,infer_datetime_format=True)
df_final.head().style.background_gradient(cmap='Blues').set_properties(**{'font-family': 'Segoe UI'})

image.png

df_final.describe().style.background_gradient(cmap='Blues').set_properties(**{'font-family': 'Segoe UI'})

image.png

检查缺少的值

df_final.isnull().values.any()
# hat's great ! we dont have any missing values in our dataset

指数价格对黄金利率的影响

GLD_adj_close = df_final['Adj Close']
SPY_adj_close = df_final['SP_Ajclose']
DJ_adj_close  = df_final['DJ_Ajclose']

df_p = pd.DataFrame({'GLD':GLD_adj_close, 'SPY':SPY_adj_close, 'DJ':DJ_adj_close})

df_ax = df_p.plot(title='Effect of Index prices on gold rates',figsize=(15,8))

df_ax.set_ylabel('Price')
df_ax.legend(loc='upper left')
plt.show()

image.png

avatar
文章
阅读
粉丝