首页 ›存档› 技术 › 查看内容

【Python量化投资】系列之SVR预测第二天开盘趋势和股价的正负统计分析（附代码）

2018-3-30 13:00 |来自: 互联网 538 0

摘要: 本期导读⊙ML、SVM介绍 ⊙股价的正负统计分析 ⊙预测第二天开盘趋势机器学习方法是计算机科学的一个分支，它借助于计算机算法，对数据进行分析后，实现模式识别，进而实现对未来数据的预测。机器学习方法可以分为 ...

本期导读

⊙ML、SVM介绍

⊙股价的正负统计分析

⊙预测第二天开盘趋势

机器学习方法是计算机科学的一个分支，它借助于计算机算法，对数据进行分析后，实现模式识别，进而实现对未来数据的预测。

机器学习方法可以分为以下几个类别：

1.监督学习：

训练的输出分类是预先设定好的，根据输入和输出，算法的目标在于寻找其中的对应函数。

2.无监督学习：

训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构，如聚类分析。

3.半监督学习：

介于监督学习和无监督学习之间。

4.增强学习：

算法通过执行一系列的动作，影响环境中的可观察变量，从而得到环境对动作反应的规律。最后根据这个规律，判断该采取何种行动以最大化某种回报。

监督式学习是机器学习的一个分支，可以通过训练样本而建立起一个输入和输出之间的函数，并以此对新的事件进行预测。

典型的监督学习流程如下：

支持向量机

是监督学习中一种常用的学习方法。

支持向量机（ Support Vector Machines SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则为了最小化期望风险，应同时最小化经验风险和置信范围）。具体就不详细介绍了，百度有很多资料。

http://scikit-learn.org/stable/modules/svm.html#svm中是SVM函数和简单介绍。

from sklearn.svm import SVR 可以构造支持向量回归（Support Vector Regression）模型

from sklearn.svm import SVC 可以用于分类（Support Vector Classification）

Support Vector Regression官网的一个简单例子。

http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html#example-svm-plot-svm-regression-py

从回归的角度，可以根据之前的历史数据，预测下一个时间点的股价。

分类的角度，可以根据历史数据，预测下一个时间点股价的正负。

下面对股票数据进行回归建模。

特征选择

基本面因子：PE，PB，ROE等

技术指标因子：RSI、KDJ、MA、MACD等

蜡烛图形态因子：三乌鸦、锤子线等

输出

股价

股价涨跌分类

未来一段时间收益率

利用非监督学习甚至深度学习找到特征

比如找到大涨的股票，然后看大涨前一段时间的形态有没有相似的，利用非监督学习的方法。显然，这样的关系可能不是那么明显地存在于股票的价格中，可能存在于收益曲线中或者方差曲线中，甚至更高复杂度的统计量中。深度学习提供了将原数据投影到另一个特征空间中的方法，而且是高度非线性的。那么，原数据中没有体现出来的相关性，会不会在这种高度非线性的投影空间中体现出来呢？这个问题值思考。