AAPL Regression & Direction Models
تعلم مراقب على خصائص السلاسل المالية
يقارن هذا المشروع بين توقع سعر الإغلاق التالي وتصنيف اتجاه الحركة التالي على بيانات سهم Apple باستخدام المتوسطات المتحركة، العوائد، والتقييم الزمني.
PythonyfinancePandasScikit-learnLinear RegressionLogistic Regression
التحدي
- يختلف توقع مستوى السعر عن توقع اتجاه الحركة في الأسواق.
- قد يبدو نموذج السعر مقبولًا بصريًا لكنه لا يقدم إشارة اتجاهية مفيدة.
- تقييم السلاسل الزمنية يجب أن يحافظ على ترتيب الزمن.
تصميم النظام
بيانات AAPL
خصائص فنية
انحدار خطي
تصنيف لوجستي
البيانات والمدخلات
بيانات يومية لسهم AAPL من 2014-01-01 إلى 2024-01-01 تشمل الأسعار والحجم وخصائص SMA_10 وSMA_50 والعائد اليومي.
المنهجية التقنية
- إنشاء أهداف اليوم التالي للسعر والاتجاه.
- هندسة خصائص المتوسطات المتحركة والعوائد.
- استخدام تقسيم تدريبي/اختباري زمني.
- تدريب انحدار خطي وانحدار لوجستي مضبوط.
التقييم والنتائج
مؤشرات رئيسية
بيانات AAPL من 2014 إلى 2024
مؤشرات رئيسية
RMSE 2.8188
مؤشرات رئيسية
دقة الاتجاه 51.42%
- حقق الانحدار الخطي RMSE بقيمة 2.8188 لتوقع إغلاق اليوم التالي.
- حقق الانحدار اللوجستي المضبوط دقة 51.42% لاتجاه الحركة، مساوية لخط الأساس الأكثرية.
- توضح النتيجة صعوبة توقع الاتجاه قصير الأجل.
التنفيذ والكود
محور التنفيذ
يربط التنفيذ بين تجهيز البيانات، النمذجة، التقييم، وتفسير النتائج ضمن سير عمل منظم يوضح القرارات التقنية.
نطاق المشروع والاستخدام المسؤول
يهدف التحليل إلى النمذجة والتقييم، وليس إلى تقديم توصية استثمارية. أي استخدام تداولي فعلي يتطلب ضوابط مخاطر، احتساب تكاليف تنفيذ، تحققًا خارج العينة، ومراقبة مستمرة.
التطوير القادم
- إضافة تحقق زمني متدرج.
- مقارنة خصائص فنية وتقلبات إضافية.
- تقييم الربحية بعد فصل جودة الإشارة عن ملاءمة السعر.
القيمة التقنية
يوضح المشروع أهمية التمييز بين دقة الانحدار وفائدة الإشارة الاتجاهية في تعلم الآلة المالي.