金融人工智能：用Python实现AI量化交易

密集神经网络

｜

173

# Column Non-Null Count Dtype

--- ------ -------------- -----

0 EUR_USD 2208 non-null float64

dtypes: float64(1)

memory usage: 34.5 KB

In [10]: data.plot(figsize=(10, 6));

➋

➊

将数据读入

DataFrame

对象。

➋

选择、重新采样并绘制收盘价。

时间

2019年11月 2019年12月 2020年1月

图 7-1：欧元 / 美元货币对的中间收盘价（日内）

7.2

　基线预测

基于新的数据集，重复使用第

6

章的预测方法。首先，创建滞后特征。

In [11]: lags = 5

In [12]: def add_lags(data, symbol, lags, window=20):

➊

cols = []

df = data.copy()

df.dropna(inplace=True)

df['r'] = np.log(df / df.shift())

df['sma'] = df[symbol].rolling(window).mean()

df['min'] = df[symbol].rolling(window).min()

df['max'] = df[symbol].rolling(window).max()

df['mom'] = df['r'].rolling(window).mean() ...