SVM调参之股票预测

预测股票涨跌和预测指数涨跌的原理是一样的，都是利用“ 历史数据 ”来推测未来的走势。股票数据单纯来看也就是时间序列。这里我们利用分类方法来构建预测模型：

• 首先，获取过去长时间内上证指数的数据
• 计算这些数据的一些特征（features），比如：sma、wma、mom等
• 利用特征数据构建训练数据（train dataset） x_train ，保留部分数据作为测试集（test dataset）
• 为数据打标签 y_train ：如果交易日当天的收盘价高于上一个交易日的收盘价，则为“+”数据，标签为“+1”，否则为“-1”
• 利用svm对上述带有标签的数据进行分类
• 给定测试数据，计算其特征数据，利用分类模型对其进行分类
• 对比分类结果（“+1”对应“涨”，“-1”对应“跌”）和实际数据的涨跌情况，若一致则说明 分类准确/预测准确

这里需要注意的是 x_train 和 y_train 的对应关系 至少要有一个交易日的时间差 ，否则，模型将毫无意义。

写代码

有了想法后，写代码就比较简单了，这里参考了 优矿 上一个SVM代码。代码最中主要的部分就是数据处理部分，如下所示：（点击 源代码 可以查看完整的源码文件）

Tips:

如果github上无法直接查看ipython notebook，可以点击 这里 将所要查看的文件的URL拷贝进入即可查看。

for index in range(2,len(close_pri)):
    # 取数据[-2]表示使用的特征是由今天之前的数据计算得到的
    sma_data = talib.SMA(close_pri[:index],timeperiod=7)[-2]
    wma_data = talib.WMA(close_pri[:index],timeperiod=7)[-2]
    mom_data = talib.MOM(close_pri[:index],timeperiod=7)[-2]
    
    features = []
    features.append(sma_data)
    features.append(wma_data)
    features.append(mom_data)
    x_train.append(features)
    
    # 对今天的交易进行打标签，涨则标记1，跌则标记-1
    if close_pri[index-1] < close_pri[index]:
        label = 1
    else:
        label = -1
    y_train.append(label)

SVM调参

原本计划以此为例，测试一下不同的参数得到的分类结果，最终会对预测模型的泛化能力产生什么样的影响，这里改成参数sklearn中svm分类算法的参数简介了。

首先来看一下sklearn中对svm分类问题给出的 目标函数/loss

sklearn 中给出的svc公式如下，对比上篇文章的式（18），可以发现，这里的参数 $C$是式（18）的倒数 ：

这里理解起来类似于反演问题的 正则化方法 ，整个目标函数可以看作是一个 罚函数/penalty function ，C可以看作是 惩罚因子 。那么，C越大，表示要求惩罚项越小，the vise versa，这里则表示分类越准确，距离是不是最大的稍微有那么一丢丢不那么重要。可以想象如果C是正无穷，则分类准确才是最最重要的，gutter的宽度已经不重要了，这时的模型必然会过拟合。

这么一来，还需要分析的参数只有 核函数的参数 了。

sklearn官方的参数如下（额，这么多，，），下面挑几个重要的来看一下：

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
  decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
  max_iter=-1, probability=False, random_state=None, shrinking=True,
  tol=0.001, verbose=False)

decision_function_shape ：‘ovo’ OR ‘ovr’，对于多分类问题，ovo表示两两做分类，ovr表示，其中一个类和其他所有做分类

degree ：就是多项式核函数里面的degree了

max_iter ：最大迭代次数，针对SMO算法

tol ：迭代总会有终止条件的

gamma ：rbf核函数的参数，gamma越大，表示精度越高，因为高斯函数会越高瘦嘛；过拟合也就越严重了，therefore，如果高斯核都搞不定的分类，那就别用svm了吧

安装ta-lib

安装ta-lib时遇到一点点坑，记录一下。

按照官方ta-lib的方法先安装依赖：

wget http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz
tar -vxf ta-lib-0.4.0-src.tar.gz
cd ta-lib/
./configure --prefix=/usr  # 此处是选取lib文件存放位置

试一下： ipython3

In [1]: import talib
In [2]:

如果导入模块报错： libta_lib.so.0: cannot open shared object file: No such file or directory ，则考虑是 /usr/lib/ 下的的库文件没有被加载到系统环境变量内，导致导入模块的时候没有找到库文件 libta_lib.so.0 ，添加环境变量即可：

echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib' >> ~/.bashrc