¡Participa de la Maratón Behind the Code, la competencia de programación más desafiante! Inscríbete aqui

Construir un predictor del mercado de valores

Resumen

En este Code Patterns, demostraremos cómo los expertos en la materia y los científicos de datos pueden aprovechar IBM Watson Studio y Watson Machine Learning para automatizar la minería de datos y la capacitación de los pronosticadores de series temporales. Este Code Patterns también aplica algoritmos Autorregresivos, Integrados y de Media Móvil (ARIMA) y otras técnicas avanzadas para construir modelos matemáticos capaces de predecir tendencias basadas en datos del pasado.

Descripción

Utilizando IBM Watson Studio y Watson Machine Learning, este Code Patterns proporciona un ejemplo de flujo de trabajo de ciencia de datos que intenta predecir el valor al final del día de las acciones S&P 500 con base en datos históricos. Este patrón incluye el proceso de minería de datos que utiliza la API Quandl, un mercado de datos financieros, económicos y alternativos entregados en formatos modernos para los analistas de hoy.

Después de completar este Code Patterns, comprenderá cómo:

  • Utilizar los Jupyter Notebooks en Watson Studio para extraer datos financieros utilizando API públicas.
  • Usar herramientas especializadas de Watson Studio como Data Refinery para preparar datos para la capacitación de modelos.
  • Crear, entrenar y guardar un modelo de serie temporal a partir de datos extraídos, utilizando bibliotecas Python de código abierto o el Modeler Flow gráfico incorporado en Watson Studio.
  • Interactuar con IBM Cloud Object Storage para almacenar y acceder a datos minados y modelados.
  • Almacenar un modelo creado con Modeler Flow e interactuar con el servicio Watson Machine Learning utilizando la API de Python.
  • Generar visualizaciones gráficas de datos de series de tiempo usando Pandas y Bokeh.

Flujo

alt

  1. Crear un proyecto de Watson Studio.
  2. Asignar un almacenamiento de objetos en la nube al proyecto.
  3. Cargar el Jupyter Notebook en Watson Studio.
  4. La computadora portátil importa los datos de muestra proporcionados por Quandl API.
  5. Data Refinery refina los datos importados y se guarda en Cloud Object Storage.
  6. Utilizar el flujo de modelador SPSS para crear pronósticos.
  7. Importar el modelo de Watson Machine Learning exportado desde el flujo del modelador SPSS a Watson Machine Learning.
  8. Exponer el modelo de Watson Machine Learning a través de una API.
  9. La aplicación utiliza la API Watson Machine Learning para crear predicciones del mercado de valores.

Instrucciones

Encuentre los pasos detallados para este patrón en el archivo README. Los pasos le mostrarán cómo se hace lo siguiente:

  1. Crear un nuevo proyecto en Watson Studio
  2. Minería de datos y pronósticos con un Python Notebook
  3. Configuración de la clave API de Quandl
  4. Configuración de las credenciales de IBM Cloud Object Storage en el notebook
  5. Importar los datos minados como un activo en el proyecto de Watson Studio
  6. Limpieza de los datos con Data Refinery
  7. Hacer pronósticos con SPSS Modeler Flow
  8. Visualización de resultados de Modeler Flow con un Python Notebook
  9. Implementación de un modelo de Modeler Flow en Watson Machine Learning