SVM调参之股票预测

栏目: 编程工具 · 发布时间: 5年前

内容简介:预测股票涨跌和预测指数涨跌的原理是一样的,都是利用“这里需要注意的是有了想法后,写代码就比较简单了,这里参考了

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_trainy_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

以上所述就是小编给大家介绍的《SVM调参之股票预测》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

Effective Modern C++ 简体中文版

Effective Modern C++ 简体中文版

Scott Meyers / 高博 / 中国电力出版社 / 2018-4-23 / 99

想要彻底理解C++11和C++14,不可止步于熟悉它们引入的语言特性(例如,auto型别推导、移动语义、lambda表达式以及并发支持)。挑战在于高效地运用这些特性——从而使你的软件具备正确性、高效率、可维护性和可移植性。这正是这本实用的图书意欲达成的定位。它描述的正是使用C++11和C++14——现代C++来撰写真正卓越的软件之道。 涵盖以下主题: 大括号初始化、noexcept规格......一起来看看 《Effective Modern C++ 简体中文版》 这本书的介绍吧!

HTML 编码/解码
HTML 编码/解码

HTML 编码/解码

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换