Preveja o Mercado de A√ß√Ķes com o Watson Studio  

Minere, transforme e prepare dados financeiros de v√°rias a√ß√Ķes listadas no √≠ndice S&P 500 e treine modelos preditivos com aprendizado de m√°quina usando o Watson Studio e suas ferramentas.

Last updated

Com o advento e evolu√ß√£o do computador, a predi√ß√£o do mercado de a√ß√Ķes desde ent√£o moveu-se para o √Ęmbito tecnol√≥gico. V√°rias t√©cnicas surgiram visando prever as t√™ndencias de mercado ‚Äď feito que caso realizado, pode trazer grandes lucros. Nesta jornada voc√™ ir√° extrair os dados financeiros das a√ß√Ķes desejadas de uma base de dados p√ļblica, ir√° transformar e preparar esses dados para serem usados como conjunto de treino em um modelo preditivo, e tamb√©m ir√° analisar os resultados graficamente utilizando o Bokeh, uma biblioteca python para gera√ß√£o de gr√°ficos interativos ‚Äď tudo isso com o Watson Studio.

By Vanderlei Pereira

Overview

<p> Esse padr√£o de c√≥digo demonstra como especialistas e cientistas de dados podem aproveitar o IBM Watson Studio para automatizar a minera√ß√£o de dados e o treinamento de preditores de s√©ries temporais usando bibliotecas de aprendizado de m√°quina de c√≥digo-aberto ou a ferramenta gr√°fica incorporada ao Watson Studio. S√£o aplicados algoritmos ARIMA (M√©dia M√≥vel Integrada Autoregressiva) e outras t√©cnicas avan√ßadas para construir modelos matem√°ticos capazes de prever tend√™ncias com base em dados do passado.<p> <p> Usando o IBM Watson Studio e outras bibliotecas populares de c√≥digo aberto para Ci√™ncia de Dados, este padr√£o de c√≥digo fornece um exemplo de fluxo de trabalho que tenta prever o valor de fim de dia de a√ß√Ķes do √≠ndice S&P 500 com base em dados hist√≥ricos. Essa jornada inclui o processo de minera√ß√£o de dados, que √© realizado por meio da API do servi√ßo Quandl ‚Äď uma base de dados financeiros e econ√īmicos fornecidos em formatos modernos para os analistas de hoje. <p> <p> Depois de concluir este padr√£o de c√≥digo, voc√™ entender√° como: <p> * 1. Use os Jupyter Notebooks no Watson Studio para explorar dados financeiros usando APIs p√ļblicas; * 2. Use ferramentas especializadas do Watson Studio, como o Data Refinery, para preparar dados para o treinamento do modelo; * 3. Construa, treine e salve um modelo de timeseries a partir de dados extra√≠dos, usando bibliotecas Python de c√≥digo aberto e/ou o fluxo gr√°fico integrado do Modeler no Watson Studio; * 4. Exportar os dados modelados para um arquivo e armazen√°-los no IBM Cloud Object Storage, para eventualmente serem publicados ou utilizados em outras aplica√ß√Ķes; e * 5. Gere visualiza√ß√Ķes gr√°ficas de dados de s√©ries de tempo usando Pandas e Bokeh. <p> <p>Voc√™ criar√° um aplicativo com base no seguinte fluxo:</p> <ul> <li>Um Jupyter Notebook ir√° extrair dados financeiros sobre uma a√ß√£o de sua escolha de uma tabela p√ļblica.</li> <li>Esses dados, por sua vez, ser√£o transformados tamb√©m pelo Jupyter Notebook.</li> <li>Finalmente um modelo preditivo √© treinado, e os resultados podem ser visualizados dentro do pr√≥prio Notebook com gr√°ficos interativos.</li> <li>A mesma an√°lise pode ser repetida utilizando-se o SPSS Modeler Flow e o Data Refinery, duas ferramentas do Watson Studio.</li> </ul>

Flow

  1. √Č poss√≠vel executar a an√°lise e predi√ß√£o de a√ß√Ķes utilizando-se bibliotecas python de c√≥digo-aberto em um Jupyter Notebook:
  2. Crie um projeto no Watson Studio e importe os assets necess√°rios para essa jornada.
  3. Fa√ßa as devidas altera√ß√Ķes e execute o Jupyter Notebook de minera√ß√£o e predi√ß√£o.
  4. Veja os resultados.
  5. Alternativamente, fa√ßa a an√°lise e predi√ß√£o de a√ß√Ķes utilizando o Data Refinery e o SPSS Modeler:
  6. Crie um projeto no Watson Studio e importe os assets necess√°rios para essa jornada.
  7. Fa√ßa as devidas altera√ß√Ķes e execute o Jupyter Notebook de minera√ß√£o e predi√ß√£o.
  8. Após extrair dados de uma companhia desejada, transforme-os com o Data Refinery.
  9. Use os dados transformados como entrada em um fluxo do SPSS Modeler.
  10. Veja os resultados.

Components

Technologies

Inteligência Artificial

Tecnologias cognitivas capazes de entender, raciocinar, aprender e interagir como seres humanos.

Data Science

Sistemas e m√©todos cient√≠ficos para analisar dados estruturados e n√£o estruturados, a fim de extrair conhecimento e percep√ß√Ķes.

Armazenamento de Dados

Reposit√≥rio para armazenar e gerenciar cole√ß√Ķes de dados.

Python

Python é uma linguagem de programação que permite trabalhar rapidamente e integrar sistemas de forma mais eficaz

Related Blogs

Nenhuma publicação correspondente ao seu critério de busca foi encontrada

Related Links

var docUrl = document.querySelector(“[property=’og:url’][content]”).content; var urlFrag = docUrl.split(‘/’); urlFrag = urlFrag[urlFrag.length -2]; var repoUrl = “/HeOsbW84ql4t/pattern?id=” + urlFrag; var formatDate = function(input) { console.log(“formatDate”); console.log(input); if (input.length > 4) { ymd = input.match(/^(d{4})-(d{1,2})-(d{1,2})/); year = ymd[1]; month = ymd[2]; day = ymd[3]; ma = [“null”, “Jan”, “Feb”, “Mar”, “Apr”, “May”, “Jun”, “Jul”, “Aug”, “Sep”, “Oct”, “Nov”, “Dec”]; month = ma[parseInt(month)]; hms = input.match(/(d{2}):(d{2}):(d{2})/); hour = hms[1]; minute = hms[2]; second = hms[3]; ampm = “AM”; if(hour > 12) { ampm = “PM”; hour = hour – 12; } return month + ” ” + day + “, ” + year; } else { return “-“; } } var repoCallback = function(data) { //success = JSON.stringify(data).responseJSON; data = data.responseJSON._source.github.aggregates; console.log(data); if(data) { console.log(“data.forks.count = ” + data.forks.count); console.log(“data.stars.count = ” + data.stars.count); console.log(“data.watchers.count = ” + data.watchers.count); jQuery(“#project_forks”).text(data.forks.count); jQuery(“#project_stars”).text(data.stars.count); jQuery(“#project_watchers”).text(data.watchers.count); //jQuery(“#project_last_modified”).text(formatDate(data.pushed_at.count)); } else { jQuery(“#data-github”).hide(); repoErrorcallback(data); } } var repoErrorcallback = function(error) { // handle the error console.log(“error”); return false; } jQuery(document).ready(function() { jQuery.ajax( { url: repoUrl, dataType: “json”, data: ”, complete: repoCallback }); }); ul.indent { padding-left: 5%; }