Previsões do mercado de ações usando Python

Utilizando IBM Watson Studio e Watson Machine Learning, este padrão de código apresenta um exemplo de fluxo de ciência dos dados que tenta predizer o valor de fechamento de ações, com base na S&P 500 e em dados históricos. Ainda, este padrão inclui o processo de mineração de dados com a API Quandl — um marketplace para dados financeiros, econômicos e alternativos entregues em formatos modernos para os analistas de hoje.

Após completar este padrão de código, você será capaz de:

• Usar o Jupyter Notebooks no Watson Studio para minerar dados financeiros usando APIs públicas.

• Utilizar ferramentas especializadas do Watson Studio, como o Data Refinery, para aprendizado de modelos.

• Construir, treinar e salvar uma série temporal de dados extraídos, usando bibliotecas de código aberto em Python ou os buit-in visuais disponíveis no Modeler Flow dentro do Watson Studio.

• Interagir com o IBM Cloud Object Storage para armazenar e acessar dados minerados e análises.

• Armazenar modelos criados com o Modeler Flow e interagir com serviços do Watson Machine Learning usando API Python.

• Gerar visualizações gráficas de séries de dados usando Pandas e Bokeh.

Fluxo

1. Criar um novo projeto no Watson Studio;

2. Assinalar um armazenamento Cloud Object ao projeto;

3. Carregar o Jupyter Notebook ao Watson Studio;

4. Os dados de amostra fornecidos ela API do QuandI são importados pelo Jupyter Notebook;

5. Os dados importados são tratados pelo Data Refinery e salvos no Cloud Object Storage;

6. Utilizar o modelador de fluxos SPSS para criar previsões;

7. Importar para o Watson Machine Learning o modelo exportado do SPSS;

8. Exibir os modelos do Watson Machine Learning através da API;

9. A aplicação utiliza a API Watson Machine Learning para criar predições de mercado.

Instruções

Confira o passo a passo detalhado no arquivo Leia-me. Você aprenderá a:

1. Criar um novo projeto no Watson Studio;

2. Minerar dados e fazer previsões com Python Notebook;

3. Configurar a API Quandl;

4. Configurar as credenciais de armazenamento do IBM Cloud Object no notebook;

5. Importar os dados minerados como um ativo no projeto do Watson Studio;

6. Tratar dados usando o Data Refinery;

7. Fazer previsões com o modelador de fluxos SPSS;

8. Visualizar resultados com uma Python Notebook no Modeler Flow;

9. Implantar um modelo do Modeler Flow no Watson Machine Learning.

...

Quer ler mais conteúdo especializado de programação? Conheça a IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!