The Pearl (Page 6)

The Pearl

Sign in Subscribe

**NXS1.0_TAIEX_1'st_Test_Result_lite

**NXS1.0_TAIEX_1'st_Test_Result_lite

NXS1.0_TAIEX_Basic_Data_Decription

NXS1.0_TAIEX_Basic_Data_Decription

這只是從 MSCI_TW20 觀察的總體狀況 Descriptive Statistics: Open High Low Close Adj_Close \ count 13444.000000 13444.000000 13444.000000 13444.000000 13444.000000 mean 57.913840 58.354875 57.477498 57.932802 0.000000 std 33.427170 33.705493 33.140192 33.425061 1.000037 min 13.750000 13.850000

**NXS1.0_TAIEX_HeatMap Analysis

**NXS1.0_TAIEX_HeatMap Analysis

高度相關的變數這些變數與 Adj_Close_TAIEX 具有高度的正相關或負相關。 1. Close_TAIEX * 相關係數：1.00 * 解釋：Close_TAIEX 與 Adj_Close_TAIEX 本質上是相同的數據，因此完全相關。 2. Middle_Band * 相關係數：0.99 * 解釋：Middle_Band 通常是布林帶的中軌，通常是價格的移動平均值，因此與 Adj_Close_TAIEX 具有高度相關性。 3. Upper_Band 和 Lower_Band * 相關係數：0.96 和 0.97 * 解釋：

NXS1.0_TAIEX_Future Engineering

NXS1.0_TAIEX_Future Engineering

* 掛載 Google Drive：確保數據集已經掛載。 * 讀取數據集：從指定路徑讀取數據集。 * 生成技術指標：計算移動平均線、相對強弱指數和布林帶。 * 生成衍生變數：計算價格變動百分比和成交量變化率。 * 標準化特徵：使用 z-score 標準化特徵。 * 處理空值：使用前向填充和後向填充的方法填補空值。 * 保存處理後的數據：將處理後的數據保存到新的 CSV 文件中。 * 原始特徵：Date, ST_Code, ST_Name, Open, High, Low, Close, Adj_Close, Volume 等。 * 技術指標：SMA_10, SMA_20, RSI_14, BBL_20_2.0, BBM_20_2.0,

NXS1.0_MSCI.TW.Top20.Download

NXS1.0_MSCI.TW.Top20.Download

下載 MSCI TOP 20 股票的交易資料 !pip install pandas yfinance ta import pandas as pd import yfinance as yf import ta from google.colab import drive # 連接 Google Drive drive.mount('/content/drive') # 定義 MSCI Taiwan Index 前 20 大成份股的股票代碼和名稱 msci_taiwan_20 = { "2330.TW": "TSMC&

**TAIEX. 9 model.0709

**TAIEX. 9 model.0709

I_CASH_2024.hsu

I_CASH_2024.hsu

2024-07-08 Descriptive Statistics Descriptive Statistics: adj_legal adj_top10 adj_LS adj_realacc adj_option \ count 4908.000000 4908.000000 4908.000000 4908.00000 4908.000000 mean 1.924715 2.600621 1.436336 -1.33480 0.006775 std 6.712225 2.683193 13.667105 3.93979 2.550651 min -25.

CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning

CPBL,Pitcher Pan's Performance, 372 Games,Machine Learning

圖 4-3 顯示了ER、H和ERA_Delta這三個目標變量在四種不同模型（隨機森林、支持向量機、XGBoost和LSTM）中的預測表現。每一行代表一個目標變量，每一列代表一個模型。圖中的線條和指數平滑平均（EMA）分別顯示了實際值和模型預測值的變化趨勢。隨機森林模型隨機森林模型在ER、H和ERA_Delta上的預測表現如圖中第一列所示。實際值的波動較大，而預測值則相對平滑。隨機森林的EMA（紅色）與實際值的EMA（黑色）趨勢基本一致，表明該模型能夠較好地捕捉數據中的長期趨勢，但在一些高峰和低谷處存在一定的偏差。支持向量機模型第二列顯示了支持向量機模型的預測結果。相比其他模型，支持向量機在ER和H上的預測波動更大，這可能是因為該模型對數據的敏感性較高。雖然支持向量機的EMA（紅色）與實際值的EMA（黑色）基本保持一致，但在一些數值極端的點上，偏差仍然明顯。 XGBoost模型 XGBoost模型的預測結果如第三列所示。該模型在ER和H的預測上顯示出較好的表現，預測值與實際值的波動趨勢較為接近。XGBoost的EMA（紅色）與實際值的EMA（黑色）高度吻合，表明

CPBL,Pitcher Pan's Performance, 372game

CPBL,Pitcher Pan's Performance, 372game

Descriptive Statistics Pearson Correlation Analysis with H (安打) Pearson Correlation Analysis Results with 'H' as the Dependent Variable: Variable R Value P Value 5 R 0.713628 0.000000 6 ER 0.683962 0.000000 1 FB 0.679566 0.000000 2 NP 0.590262 0.000000 30

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0705)

Exploring the Kuznets Curve of Alzheimer's Disease (Draft.0705)

K11.非傳染病相關性_HeatMap.0704

K11.非傳染病相關性_HeatMap.0704

# Import necessary libraries import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from google.colab import drive # Mount Google Drive drive.mount('/content/drive') # Load the data file_path = '/content/drive/My Drive/dataset/az_0704.csv' data

K11.Pearson.r.p value

K11.Pearson.r.p value

Pearson Correlation with AZ PVR and corresponding P-values: Pearson Correlation \ pop_65y_pct 0.878693 OECD 0.715244 gdpg1 0.675784 nonhdl_mgdl 0.589307 gdppp2017 0.540096 hyperten_100k

K11.各國非傳染病概覽_Non_HDL

K11.各國非傳染病概覽_Non_HDL

import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import numpy as np from google.colab import drive # Suppress warnings import warnings warnings.simplefilter('ignore', np.RankWarning) # Mount Google Drive drive.mount('/content/drive') # Load the data file_path = '/content/drive/

K11.各國非傳染病概覽_Depression

K11.各國非傳染病概覽_Depression

import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import numpy as np from google.colab import drive # Suppress warnings import warnings warnings.simplefilter('ignore', np.RankWarning) # Mount Google Drive drive.mount('/content/drive') # Load the data file_path = '/content/drive/

K11.各國非傳染病的概覽_Hypertension

K11.各國非傳染病的概覽_Hypertension

import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import numpy as np from google.colab import drive # Suppress warnings import warnings warnings.simplefilter('ignore', np.RankWarning) # Mount Google Drive drive.mount('/content/drive') # Load the data file_path = '/content/drive/

K11.各國非傳染病概覽_Alzheimer

K11.各國非傳染病概覽_Alzheimer

Alzheimer Prevalence import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from google.colab import drive # Mount Google Drive drive.mount('/content/drive') # Load the data file_path = '/content/drive/My Drive/dataset/az_0704.csv' data = pd.read_csv(file_path)

小結. a0. 八個 Model 的簡易版

小結. a0. 八個 Model 的簡易版

To Be Continue... * Random Forest: n_estimators=1 * SVR: C=0.1, epsilon=0.1 * XGBoost: n_estimators=1 * LSTM: units=1, epochs=1 * Transformer: num_layers=1, d_model=2, num_heads=1, dff=2, epochs=1 * ARIMA: order=(1, 1, 0) * PCA: n_components=1 * KNN *

TAIEX.s47_KNN(1'st)_0704

TAIEX.s47_KNN(1'st)_0704

Source Code import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.preprocessing import StandardScaler from sklearn.ensemble import RandomForestRegressor from sklearn.svm import SVR from statsmodels.tsa.arima.model import ARIMA from sklearn.linear_model import LinearRegression

TAIEX.s46_LSTM(3). Future select by Forest

TAIEX.s46_LSTM(3). Future select by Forest

使用決策樹回歸進行特徵選擇，並使用選擇的特徵來訓練 LSTM 模型。最後打印所選的特徵變數並顯示實際值和預測值的圖表。 import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.metrics import mean_squared_error, mean_absolute_error from sklearn.preprocessing import MinMaxScaler from sklearn.ensemble import RandomForestRegressor from tensorflow.keras.models import

TAIEX.s46_LSTM(2). Future select by Decision Tree.

TAIEX.s46_LSTM(2). Future select by Decision Tree.

使用決策樹進行特徵選擇，並使用選擇的特徵來訓練 LSTM 模型。最後打印所選的特徵變數並顯示實際值和預測值圖 import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.metrics import mean_squared_error, mean_absolute_error from sklearn.preprocessing import MinMaxScaler from sklearn.tree import DecisionTreeRegressor from tensorflow.keras.models import

TAIEX.s45_LSTM. Adj_Close

TAIEX.s45_LSTM. Adj_Close

1. 特徵工程：使用 Adj_Close 計算移動平均線（MA7 和 MA21）、RSI 和 MACD。 2. 特徵選擇：使用隨機森林模型選擇最重要的特徵。 3. 數據標準化：將特徵和目標變量標準化。 4. 創建序列：為 LSTM 模型創建時間序列數據。 5. 構建 LSTM 模型：使用選擇的特徵來訓練 LSTM 模型。 6. 預測和評估：進行預測並計算誤差（MSE 和 MAE）。 7. 可視化：繪製實際值和預測值的圖表。 8. 打印特徵變數：打印所選的特徵變數。 source code import os import pandas as pd

**TAIEX.s44_Linear Regression.

**TAIEX.s44_Linear Regression.

import os import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib.dates as mdates from sklearn.metrics import mean_squared_error, mean_absolute_error from sklearn.feature_selection import SelectKBest, f_regression from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_

希望.0703

寫給今新到來的新員工 Verse 1 在那微光初現的清晨新生命的哭聲劃破寧靜媽媽的眼中閃爍著淚光那是愛和希望的交織 Chorus 希望在你的手心中跳動每一次擁抱都是愛的傳遞你的世界因你而美麗新生命我們一同迎接奇蹟 Verse 2 小小的手握住了未來每一步都是新的探索媽媽的心中充滿著期盼願你的人生充滿著光彩 Chorus 希望在你的手心中跳動每一次擁抱都是愛的傳遞你的世界因你而美麗新生命我們一同迎接奇蹟 Bridge 無論前方多麼遙遠媽媽會在你身旁守候你的笑容是我最大的財寶陪你走過每一段旅途 Chorus 希望在你的手心中跳動每一次擁抱都是愛的傳遞你的世界因你而美麗新生命我們一同迎接奇蹟 Outro 在這充滿希望的未來媽媽的愛永遠不變新生命願你永遠幸福這首希望的歌永遠為你而唱

TAIEX.s92_使用 RandomForest 選擇特徵值,增加 Future Prediction Line

TAIEX.s92_使用 RandomForest 選擇特徵值,增加 Future Prediction Line

1. Transformer Prediction 有可能存在過擬合問題 2. Future Prediction Line 未 Training Output Index(['Date', 'ST_Code', 'ST_Name', 'Open', 'High', 'Low', 'Close', 'Adj_Close', 'Volume', 'MA7', 'MA21', 'MA50&

TAIEX.s91_練習使用 RandomForest 選擇特徵值的用法 + RFE 試作

TAIEX.s91_練習使用 RandomForest 選擇特徵值的用法 + RFE 試作

Output Shapes: test_labels: (6540,) transformer_predictions: (6540, 10) Adjusted transformer_predictions shape: (6540,) Random Forest MSE: 2545495.9702350823 SVR MSE: 9719829.364170404 XGBoost MSE: 2829341.20223588 LSTM MSE: 346273600.6513799 Transformer MSE: 16777426.64694445 Random Forest MAE: 903.3660629908254 SVR MAE: 2474.4028472217 XGBoost MAE: 999.7728105920297 LSTM MAE: