Acompanhe online o evento final da Maratona Behind the Code 2020 Inscreva-se já!

Crie um indicador de previsões do mercado de ações

Resumo

Neste padrão de código, demonstraremos como os especialistas no assunto e cientistas de dados podem aproveitar o IBM Watson Studio e o Watson Machine Learning para automatizar a mineração de dados e o treinamento de previsões de séries temporais. Este padrão de código também aplica algoritmos de modelo autorregressivo integrado de médias móveis (ARIMA) e outras técnicas avançadas para construir modelos matemáticos capazes de prever tendências com base em dados históricos.

Descrição

Com o uso do IBM Watson Studio e do Watson Machine Learning, este padrão de código fornece um exemplo de fluxo de trabalho da ciência de dados que tenta prever o valor, ao final do dia, de 500 ações da S&P com base em dados históricos. Este padrão inclui o processo de mineração de dados que usa a API Quandl: um mercado para dados financeiros, econômicos e alternativos entregues em formatos modernos para os analistas atuais.

Depois de concluir este padrão de código, você entenderá como:

  • Usar o Jupyter Notebooks no Watson Studio para minerar dados financeiros usando APIs públicas.
  • Usar ferramentas especializadas do Watson Studio como o Data Refinery para preparar dados para o treinamento de modelo.
  • Construir, treinar e salvar um modelo de série temporal de dados extraídos, usando bibliotecas de código aberto do Python ou o gráfico integrado do fluxo do Modeler no Watson Studio.
  • Interagir com o IBM Cloud Object Storage para armazenar e acessar dados minerados e modelados.
  • Armazenar um modelo criado com o fluxo do Modeler e interagir com o serviço do Watson Machine Learning usando a API do Python.
  • Gerar visualizações gráficas de dados de séries temporais usando Pandas e Bokeh.

Fluxo

Fluxograma das etapas para criação do app

  1. Criar um projeto no Watson Studio.
  2. Atribuir um Cloud Object Storage ao projeto.
  3. Carregar o Jupyter Notebook no Watson Studio.
  4. Os dados de exemplo fornecidos pela API da Quandl são importados pelo notebook.
  5. Os dados importados são refinados pelo Data Refinery e salvos no Cloud Object Storage.
  6. Usar o fluxo do SPSS Modeler para gerar previsões.
  7. Importar o modelo do Watson Machine Learning exportado do fluxo do SPSS Modeler para o Watson Machine Learning.
  8. Expor o modelo do Watson Machine Learning em uma API.
  9. O aplicativo usa a API do Watson Machine Learning para gerar previsões do mercado de ações.

Instruções

Encontre as etapas detalhadas para esse padrão no README. As etapas mostrarão como:

  1. Criar um novo projeto no Watson Studio
  2. Minerar dados e fazer previsões com um Notebook Python
  3. Configurar a chave de API do Quanl
  4. Configurar as credenciais do IBM Cloud Object Storage no Notebook
  5. Importar os dados minerados como um ativo no projeto do Watson Studio
  6. Limpar os dados com o Data Refinery
  7. Fazer previsões com o fluxo do SPSS Modeler
  8. Visualizar os resultados do fluxo do Modeler com um Notebook do Python
  9. Implementar um modelo do fluxo do Modeler no Watson Machine Learning

Aviso

O conteúdo aqui presente foi traduzido da página IBM Developer US. Caso haja qualquer divergência de texto e/ou versões, consulte o conteúdo original.