Programlama, Python, Technology, Teknoloji

Yapay zeka kullanarak hisse ve kripto para fiyatlarını tahmin etme

Python ile yapay zeka kullanarak hisse ve kripto analizi yapalım

Pandemi ne kötü şey! Sürekli evdesin, hayatın iyice monotonlaşmış. Her gün aynı şeyleri yapıyorsun. Sosyal hayatın zaten yok. İyice makineye bağlamış durumdayız. Netflix’te defaatle izlediğim dizi ve filmleri saymıyorum. Ama bazen insan menfi durumları müspete çevirmeyi bilmeli diye düşünüyorum. 2020 Nisan ayından beri python ile uğraşıyorum. Python kütüphanelerini gördükçe daha önce neden bu dili öğrenmedim diye de kendime kızıyorum.

Elbette bu süre (pandemi) insanın can sıkıntısına çare bulması ve kendini geliştirmesi açısından da bir fırsat oluşturdu. Özellikle ekonomi ve istatistik alanlarının dışında kendimi bir anda yatırım dünyası ve makine öğrenimi (yapay zeka) arasında buldum.

İşin stratejik boyutunun dışında finansal okuryazarlık ve para piyasası konusunda sürekli makaleler okuyorum. Ama bunları yaparken insanın teknolojiden faydalanması gerektiğini de düşünüyorum. Son 2-3 ay içerisinde özellikle analiz yaparken yapay zekanın ne kadar önemli ve bazı öngörülebilir gerçekleri sergilediğine şahit olmuş durumdayım.

Ayrıca yatırım stratejisinin insana ekstradan sabır ve çalışma azmi sağladığını düşünüyorum ve kesinlikle olaylara daha geniş perspektiften bakmanızı sağlıyor.

Kısaca bir özet geçtikten sonra yazımıza Python kodumuz ile devam edelim 🙂

Öncelikle kütüphanelerimiz ekleyelim;

 import numpy as np 
 from sklearn.linear_model import LinearRegression
 from sklearn.model_selection import train_test_split
 from pandas_datareader import data
 from datetime import date

Farkettiğiniz üzere bu sefer Linear Regression kullandık.

Linear Regresyon nedir?

Linear Regression(Doğrusal ilkelleme) iki değişken arasındaki ilişkiyi ölçmek için kullanılan analiz metodudur. Machine Learning algoritmalarının temeli olarak kabul görür. Amaç bu iki değişken arasındaki bağlantıya en yakın doğrusal sonuç elde etmektir.

Hangi Durumlarda Kullanılır?

  • Hava durumu tahminlerinde,
  • Belirli bir bölgede ortalama ev fiyatlarını çıkarmada,
  • Bir ürüne olan talepte,
  • Güç tüketimi tahminlerinde…
 today = date.today() # Bügünü alıyoruz
 start_date = '2020-01-01' # Başlangıç tarihi
 end_date = today.strftime("%Y-%m-%d") # Bitiş tarihi
 ticker = input("LÜTFEN HİSSE ADINI GİRİNİZ: ") # Yahoo Finance adresindeki kripto veya hisse kodu
 ticker = ticker.upper()
 df = data.DataReader(ticker, 'yahoo', start_date, end_date)
 df = df[['Close']] 
 print(df.tail())

 forecast_out = 90 # 90 günlük tahmin değerimizi giriyoruz.
 df['Prediction'] = df[['Close']].shift(-forecast_out)
 # Bağımsız veri kümesi x oluşturuyoruz ve numpy'ye aktarıyoruz
 X = np.array(df.drop(['Prediction'],1))
 # Son '30' satırı kaldır
 X = X[:-forecast_out]
 # Bağımlı veri kümesi oluşturuyoruz ve numpy dizisine dönüştürüyoruz
 Y=np.array(df['Prediction'])
 Y=Y[:-forecast_out]
 x_train, x_test, y_train, y_test = train_test_split(X,Y, test_size=.2)
 lr = LinearRegression()
 lr.fit(x_train,y_train)
 #test edelim
 lr_confidence = lr.score(x_test,y_test)
 print("lr confidence = ", lr_confidence)
 x_forecast = np.array(df.drop(['Prediction'],1))[-forecast_out:]
 lr_prediction = lr.predict(x_forecast )
 print(lr_prediction)

Not: Burada tüm yazılanlar bilgilendirme amaçlıdır. Tavsiye niteliğinde değildir.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir