SPX прогноз с RMSE

Предлагаю создать стратегию предсказания спотовой цены.

Понимание стратегии
Я сейчас разбираюсь в причине несообразности данных с временными временными интервалами, подтверждая, что данные до 9 утра завтра должны быть доступны.

Использование данных и методов прогнозирования для создания модели для предсказания максимума и минимума SPX в 15:00 (3 часа) на завтра.

Предполагам, что данные включают исторические данные до вчерашнего дня и данные до 9 утра завтра. Это значит, что в коде нужно считывать данные до 9 утра завтра и затем предсказать максимальные и минимальные значения на 15:00 завтра.

Реализация прогнозов

Я работаю над прогнозом максимальных и минимальных значений индекса SPX к 15:00 завтрашнего дня, используя данные с 10:00 сегодняшнего утра до 9:00 утра завтрашнего дня.

Предсказывая значения

Предполагаю, что пользователь хочет предсказать максимальные и минимальные значения SPX до 15:00 завтра, используя данные с 10:00 сегодняшнего дня и до 9:00 утра завтрашнего дня.

Создание модели

Предлагаю использовать исторические данные SPX, технические индикаторы и экономические данные для прогнозирования высоких и низких значений до 15:00.

Предлагаю

Использовать исторические данные для обучения регрессионных моделей, предсказывающих максимум и минимум дня, опираясь на данные до 9 утра следующего дня.

Чтобы предсказать максимальные и минимальные значения индекса S&P 500 (SPX) до 15:00 завтрашнего дня с минимальной RMSE, мы можем использовать исторические данные и методы машинного обучения. Ниже представлен план действий и реализация стратегии на Python.

Стратегия:

1. Сбор данных:

   • Соберите исторические данные SPX, включая открытие, максимум, минимум, закрытие и объем торгов.
   • Используйте данные фьючерсов и предрыночные данные, доступные на 9 утра завтрашнего дня.

2. Предобработка данных:

   • Создайте новые функции (фичи), такие как скользящие средние, индикаторы технического анализа и т.д.
   • Объедините данные, доступные на 10 утра сегодня и на 9 утра завтрашнего дня.

3. Моделирование:

   • Разделите данные на обучающую и тестовую выборки.
   • Обучите регрессионную модель (например, Gradient Boosting Regressor) для предсказания максимума и минимума.

4. Оценка модели:

   • Используйте RMSE для оценки точности модели.
   • Подберите гиперпараметры для минимизации RMSE.

5. Прогноз:

   • Используйте обученную модель для предсказания максимальных и минимальных значений на 15:00 завтрашнего дня.

Реализация на Python:

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.ensemble import GradientBoostingRegressor
import yfinance as yf
import datetime

# 1. Сбор данных
# Загрузим исторические данные SPX
end_date = datetime.datetime.now()
start_date = end_date - datetime.timedelta(days=365*5)  # данные за 5 лет

spx_data = yf.download('^GSPC', start=start_date, end=end_date, interval='1d')

# Предположим, что данные на 9 утра завтрашнего дня уже получены и сохранены в CSV
# Загрузим эти данные
pre_market_data = pd.read_csv('pre_market_data.csv')

# 2. Предобработка данных
# Функция для создания технических индикаторов
def create_features(data):
    data = data.copy()
    data['MA_5'] = data['Close'].rolling(window=5).mean()
    data['MA_10'] = data['Close'].rolling(window=10).mean()
    data['MA_20'] = data['Close'].rolling(window=20).mean()
    data['STD_5'] = data['Close'].rolling(window=5).std()
    data['STD_10'] = data['Close'].rolling(window=10).std()
    data['Return'] = data['Close'].pct_change()
    data['Volume_Change'] = data['Volume'].pct_change()
    data = data.dropna()
    return data

spx_data = create_features(spx_data)

# Объединение с предрыночными данными
# Предположим, что pre_market_data имеет такие же фичи
full_data = pd.concat([spx_data, pre_market_data], ignore_index=True)

# 3. Моделирование
# Целевые переменные: High и Low до 15:00
# Для упрощения предположим, что у нас есть данные High_15 и Low_15
# В реальности нужно собрать данные о максимальных и минимальных значениях до 15:00

# Разделение данных на фичи и целевые переменные
features = full_data.drop(['High', 'Low', 'Open', 'Close', 'Adj Close', 'Volume'], axis=1)
target_high = full_data['High']
target_low = full_data['Low']

# Разделение на обучающую и тестовую выборки
X_train, X_test, y_train_high, y_test_high, y_train_low, y_test_low = train_test_split(
    features, target_high, target_low, test_size=0.2, shuffle=False)

# Обучение модели для High
model_high = GradientBoostingRegressor()
model_high.fit(X_train, y_train_high)

# Обучение модели для Low
model_low = GradientBoostingRegressor()
model_low.fit(X_train, y_train_low)

# 4. Оценка модели
# Предсказание на тестовой выборке
y_pred_high = model_high.predict(X_test)
y_pred_low = model_low.predict(X_test)

# Вычисление RMSE
rmse_high = np.sqrt(mean_squared_error(y_test_high, y_pred_high))
rmse_low = np.sqrt(mean_squared_error(y_test_low, y_pred_low))

print(f'RMSE for High prediction: {rmse_high}')
print(f'RMSE for Low prediction: {rmse_low}')

# 5. Прогноз
# Используем последние доступные данные для предсказания завтрашних значений
latest_features = features.iloc[-1].values.reshape(1, -1)

predicted_high = model_high.predict(latest_features)
predicted_low = model_low.predict(latest_features)

print(f'Predicted High at 15:00 tomorrow: {predicted_high[0]}')
print(f'Predicted Low at 15:00 tomorrow: {predicted_low[0]}')

Пояснения:

• yfinance: используется для загрузки исторических данных SPX.
• pre_market_data.csv: файл, содержащий предрыночные данные на 9 утра завтрашнего дня.
• GradientBoostingRegressor: выбран как мощная модель для регрессионных задач.
• create_features: функция для создания технических индикаторов из исходных данных.
• RMSE: используется как метрика для оценки точности модели.

Примечания:

• В реальной ситуации необходимо убедиться, что данные корректны и полностью соответствуют временным рамкам.
• Можно улучшить модель, добавив больше фичей или использовав другие алгоритмы машинного обучения.
• Гиперпараметры модели можно оптимизировать с помощью Grid Search или Random Search для дальнейшего уменьшения RMSE.

Заключение:

Представленная стратегия использует исторические данные и методы машинного обучения для предсказания максимальных и минимальных значений SPX до 15:00 завтрашнего дня. Реализация на Python позволяет автоматизировать процесс и получить прогноз с минимальной RMSE.