Makine Öğrenimi - Python Monte Carlo

import os
import pandas as pd
import numpy as np

# "XU100" dizini içindeki tüm ".csv" dosyalarını alın
csv_dizin = 'XU100'
dosya_listesi = os.listdir(csv_dizin)
csv_dosyaları = [dosya for dosya in dosya_listesi if dosya.lower().endswith('.csv')]

results = []

for csv_dosya in csv_dosyaları:
    # Her bir CSV dosyasını yükleyin
    veri = pd.read_csv(os.path.join(csv_dizin, csv_dosya))

    # Fiyat değişimlerini hesapla
    veri['PriceChange'] = veri['Close'].pct_change()
    veri = veri.dropna()

    mean = np.mean(veri['PriceChange'])
    std_dev = np.std(veri['PriceChange'])

    simulations = 200  # Tavsiye edilen 200 olmalıdır, arttıkça tahmin olasılığı artar
    days_to_sim = 252

    close_end = []
    above_close = []

    for i in range(simulations):
        close_price = veri.iloc[-1]['Close']
        price_path = [close_price]
        for j in range(days_to_sim):
            perc_change = np.random.normal(mean, std_dev)
            close_price *= (1 + perc_change)
            price_path.append(close_price)

        if close_price > veri.iloc[-1]['Close']:
            above_close.append(1)
        else:
            above_close.append(0)

        close_end.append(price_path)

    probability_of_increase = sum(above_close) / simulations * 100

    results.append({
        'Dosya': csv_dosya,
        'Yükselme Olasılığı (%)': probability_of_increase
    })

# Sonuçları bir dosyaya yazdırın
results = [{'Hisse Adı': csv_dosya, 'Yükselme Olasılığı (%)': probability_of_increase} for csv_dosya, probability_of_increase in zip(csv_dosyaları, [result['Yükselme Olasılığı (%)'] for result in results])]

# Sonuçları bir Excel dosyasına kaydedin
results_df = pd.DataFrame(results)
results_df.to_excel('monte_carlo_Yalın.xlsx', index=False)

import os
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# prepare_data fonksiyonunu tanımlayın
def prepare_data(data, steps):
    X, y = [], []
    for i in range(len(data) - steps):
        X.append(data[i:i+steps, 0])  # Sadece kapanış fiyatını almak için [0] ekledik
        y.append(data[i+steps, 0])     # Sadece kapanış fiyatını almak için [0] ekledik
    return np.array(X), np.array(y)

# "XU100" dizini içindeki tüm ".csv" dosyalarını alın
csv_dizin = 'XU100'
dosya_listesi = os.listdir(csv_dizin)
csv_dosyaları = [dosya for dosya in dosya_listesi if dosya.lower().endswith('.csv')]

# Sonuçları saklamak için boş bir liste oluşturun
results = []

# Her bir CSV dosyası için işlemleri gerçekleştirin
for csv_dosya in csv_dosyaları:
    # Her bir CSV dosyasını yükleyin
    veri = pd.read_csv(os.path.join(csv_dizin, csv_dosya))

    # Korelasyon matrisini hesaplayın
    corr_matrix = veri[['Close', 'Adj Close']].pct_change().corr()

    # Cholesky faktörizasyonu ile Cholesky matrisini hesaplayın
    cov_matrix = veri[['Close', 'Adj Close']].pct_change().cov()
    try:
        L = np.linalg.cholesky(cov_matrix)
    except np.linalg.LinAlgError:
        print(f"Matris pozitif belirli değil - {csv_dosya}")
        continue

    # Veriyi işlemek ve özellikleri (X) ve hedef (y) değişkenlerini oluşturmak için prepare_data fonksiyonunu kullanın
    X, y = prepare_data(veri[['Close']].values, steps=10)  # Örnek olarak, adımları 10 olarak belirledik

    # Veriyi eğitim ve test verilerine ayırın
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # Modeli oluşturun ve eğitin (Örnek olarak, bir lineer regresyon modeli kullanıldı)
    model = LinearRegression()
    model.fit(X_train, y_train)

    # Test verileri üzerinde tahmin yapın
    y_pred = model.predict(X_test)

    # Tahmin başarısını değerlendirin (örneğin, ortalama karesel hata)
    mse = mean_squared_error(y_test, y_pred)

    # Sonuçları listeye ekleyin
    results.append({
        'Hisse Adı': csv_dosya,
        'Yükselme Olasılığı (%)': mse * 100  # MSE'yi yüzde olarak göstermek için 100 ile çarpın
    })

# Sonuçları bir Excel dosyasına kaydedin
results_df = pd.DataFrame(results)
results_df.to_excel('Monte-carlo-lineer-cholesky.xlsx', index=False)

import os
import numpy as np
import pandas as pd

# "XU100" dizini içindeki tüm ".csv" dosyalarını alın
csv_dizin = 'XU100'
dosya_listesi = os.listdir(csv_dizin)
csv_dosyaları = [dosya for dosya in dosya_listesi if dosya.lower().endswith('.csv')]

# Ortalama yükselme olasılıklarını saklamak için boş bir liste oluşturun
average_rise_probabilities = []

# Monte Carlo simülasyonu için parametreleri belirleyin
num_simulations = 1000  # Simülasyon sayısı
num_days = 10  # Günlük veri sayısı

# Her bir CSV dosyası için işlemleri gerçekleştirin
for csv_dosya in csv_dosyaları:
    # Her bir CSV dosyasını yükleyin
    veri = pd.read_csv(os.path.join(csv_dizin, csv_dosya))

    # Verilerin başlangıç fiyatını belirleyin
    initial_prices = veri['Close'].iloc[-1]

    try:
        # Cholesky faktörizasyonu ile kovaryans matrisini hesaplayın
        cov_matrix = veri[['Close', 'Adj Close']].pct_change().cov()
        L = np.linalg.cholesky(cov_matrix)

        # Simülasyon sonuçlarını saklamak için boş bir dizi oluşturun
        price_simulations = np.zeros((num_simulations, num_days))

        # Monte Carlo simülasyonunu yapın
        for i in range(num_simulations):
            simulated_returns = np.random.randn(num_days)  # Rastgele getiri verileri oluşturun
            price_simulations[i, 0] = initial_prices
            for day in range(1, num_days):
                price_simulations[i, day] = price_simulations[i, day - 1] * (1 + simulated_returns[day])

        # Yükselme olasılığını hesaplayın
        rise_threshold = 0.01  # Örnek bir eşik değer, yükseliş olarak kabul edilecek getiri yüzdesi
        initial_price = price_simulations[0, 0]
        rise_probabilities = np.mean(price_simulations > (1 + rise_threshold) * initial_price, axis=0)

        # Ortalama yükselme olasılığını hesaplayın ve listeye ekleyin
        average_rise_probability = np.mean(rise_probabilities) * 100
        average_rise_probabilities.append({
            'Dosya': csv_dosya,
            'Ortalama Yükselme Olasılığı (%)': average_rise_probability
        })
    except np.linalg.LinAlgError:
        print(f"Matris pozitif belirli değil - {csv_dosya}. Bir sonraki dosyaya geçiliyor.")
        continue

# Ortalama yükselme olasılıklarını bir Excel dosyasına kaydedin
average_rise_probabilities_df = pd.DataFrame(average_rise_probabilities)
average_rise_probabilities_df.to_excel('Monte-carlo-cholesk-hepsi.xlsx', index=False)

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# "XU100" dizini içindeki tüm ".csv" dosyalarını alın
csv_dizin = 'XU100'
dosya_listesi = os.listdir(csv_dizin)
csv_dosyaları = [dosya for dosya in dosya_listesi if dosya.lower().endswith('.csv')]

# Sonuçları saklamak için boş bir liste oluşturun
results = []

# Monte Carlo simülasyonu için parametreleri belirleyin
num_simulations = 1000  # Simülasyon sayısı
num_days = 10  # Günlük veri sayısı

# Her bir CSV dosyası için işlemleri gerçekleştirin
for csv_dosya in csv_dosyaları:
    # Her bir CSV dosyasını yükleyin
    veri = pd.read_csv(os.path.join(csv_dizin, csv_dosya))

    # Verilerin başlangıç fiyatını belirleyin
    initial_prices = veri['Close'].iloc[-1]

    try:
        # Cholesky faktörizasyonu ile kovaryans matrisini hesaplayın
        cov_matrix = veri[['Close', 'Adj Close']].pct_change().cov()
        L = np.linalg.cholesky(cov_matrix)

        # Simülasyon sonuçlarını saklamak için boş bir dizi oluşturun
        price_simulations = np.zeros((num_simulations, num_days))

        # Monte Carlo simülasyonunu yapın
        for i in range(num_simulations):
            simulated_returns = np.random.randn(num_days)  # Rastgele getiri verileri oluşturun
            price_simulations[i, 0] = initial_prices
            for day in range(1, num_days):
                price_simulations[i, day] = price_simulations[i, day - 1] * (1 + simulated_returns[day])

        # Yükselme olasılığını hesaplayın
        rise_threshold = 0.01  # Örnek bir eşik değer, yükseliş olarak kabul edilecek getiri yüzdesi
        initial_price = price_simulations[0, 0]
        rise_probabilities = np.mean(price_simulations > (1 + rise_threshold) * initial_price, axis=0)

        # Sonuçları listeye ekleyin
        results.append({
            'Dosya': csv_dosya,
            'Yükselme Olasılıkları (%)': rise_probabilities * 100
        })
    except np.linalg.LinAlgError:
        print(f"Matris pozitif belirli değil - {csv_dosya}. Bir sonraki dosyaya geçiliyor.")
        continue

# Sonuçları bir Excel dosyasına kaydedin
with pd.ExcelWriter('monte_carlo_hisseler-tek-tek.xlsx') as writer:
    for result in results:
        dosya_adi = result['Dosya']
        yukselme_olasiliklari = result['Yükselme Olasılıkları (%)']
        df = pd.DataFrame({'Dosya': dosya_adi, 'Yükselme Olasılıkları (%)': yukselme_olasiliklari})
        df.to_excel(writer, sheet_name=dosya_adi, index=False)