大发时时彩下载地址_以预测股票涨跌案例入门基于SVM的机器学习

  • 时间:
  • 浏览:1

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它可不上能对样本数据进行分类。以股票为例,SVM能根据若干底部形态样本数据,把待预测的目标结果划分成“涨”和”跌”两种,从而实现预测股票涨跌的效果。

1 通过简单案例了解SVM的分类作用

    在Sklearn库里,封装了SVM分类的相关法律最好的法律法律依据,也什么都 说,你们都你们都你们都 我不要 了解其中复杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,你们都你们都你们都 来看下通过SVM库实现分类的做法,以及相关法律最好的法律法律依据的调用法律最好的法律法律依据。    

1    #!/usr/bin/env python
2    #coding=utf-8
3    import numpy as np
4    import matplotlib.pyplot as plt
5    from sklearn import svm
6    #给出平面上的若干点
7    points = np.r_[[[-1,1],[1.5,1.5],[1.8,0.2],[0.8,0.7],[2.2,2.8],[2.5,3.5],[4,2]]]
8    #按0和1标记成两类
9    typeName = [0,0,0,0,1,1,1]

    在第5行里,你们都你们都你们都 引入了基于SVM的库。在第7行,你们都你们都你们都 定义了若干个点,并在第9行把两种点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的过后,是通过np.r_法律最好的法律法律依据,把数据转换成“列矩阵”,原来做的目的是让数据底部形态满足fit法律最好的法律法律依据的要求。     

10	#建立模型
11	svmTool = svm.SVC(kernel='linear')
12	svmTool.fit(points,typeName)  #传入参数
13	#确立分类的直线
14	sample = svmTool.coef_[0] #系数
15	slope = -sample[0]/sample[1]  #斜率
16	lineX = np.arange(-2,5,1)#获取-2到5,间距是1的若干数据
17	lineY = slope*lineX-(svmTool.intercept_[0])/sample[1]

  在第11行里,你们都你们都你们都 创建了基于SVM的对象,并指定该SVM模型采用比较常用的“线性核”来实现分类操作。

      在第14行,通过fit训练样本。这里fit法律最好的法律法律依据和过后基于线性回归案例中的fit法律最好的法律法律依据是一样的,只不过这里是基于线性核的相关算法,而过后是基于线性回归的相关算法(比如最小二乘法)。训练完成后,通过第14行和第15行的代码,你们都你们都你们都 得到了能分隔两类样本的直线,包括直线的斜率和截距,并通过第16行和第17行的代码设置了分隔线的若干个点。    

18	#画出划分直线
19	plt.plot(lineX,lineY,color='blue',label='Classified Line')
20	plt.legend(loc='best') #绘制图例
21	plt.scatter(points[:,0],points[:,1],c='R')
22	plt.show()

  计算完成后,你们都你们都你们都 通过第19行的plot法律最好的法律法律依据绘制了分隔线,并在第21行通过scatter法律最好的法律法律依据绘制所有的样本点。可能points是“列矩阵”的数据底部形态,什么都是用points[:,0]来获取绘制点的 x坐标,用points[:,1]来获取y坐标,最后是通过第22行的show法律最好的法律法律依据绘制图形。运行上述代码,你们都你们都你们都 能看一遍如下图13.8的效果,从中你们都你们都你们都 能看一遍,暗蓝色的边界线能有效地分隔两类样本。

    

    从两种例子中你们都你们都你们都 能看一遍,SVM的作用是,根据样本,训练出能划分不同种类数据的边界线,由此实现“分类”的效果。什么都 ,在根据训练样本选泽好边界线的参数后,还能根据其它如此明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化避免

    标准化(normalization)避免是将底部形态样本按一定算法进行缩放,让它们落在某个范围比较小的区间,同去换成单位限制,让样本数据转换成无量纲的纯数值。

    在用机器学习法律最好的法律法律依据进行训练时,一般都要进行标准化避免,愿因着是Sklearn等库封装的其他机器学习算法对样本有一定的要求,可能其他底部形态值的数量级累积大多数底部形态值的数量级,可能有底部形态值累积正态分布,如此预测结果会不准确。

    都要说明的是,确其实训练前对样本进行了标准化避免,改变了样本值,但可能在标准化的过程中是用同原来算法对完整样本进行转换,属于“数据优化”,我不要 对后继的训练起到不好的作用。

    这里你们都你们都你们都 是通过sklearn库提供的preprocessing.scale法律最好的法律法律依据实现标准化,该法律最好的法律法律依据是让底部形态值减去平均值什么都 除以标准差。通过如下ScaleDemo.py案例,你们都你们都你们都 实际用下preprocessing.scale法律最好的法律法律依据。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	from sklearn import preprocessing
4	import numpy as np
5	
6	origVal = np.array([[10,5,3],
7	                   [8,6,12],
8	                   [14,7,15]])
9	#计算均值
10	avgOrig = origVal.mean(axis=0)
11	#计算标准差
12	stdOrig=origVal.std(axis=0)
13	#减去均值,除以标准差
14	print((origVal-avgOrig)/stdOrig)
15	scaledVal=preprocessing.scale(origVal)
16	#直接输出preprocessing.scale后的结果
17	print(scaledVal)

  在第6行里,你们都你们都你们都 初始化了原来长宽各为3的矩阵,在第10行,通过mean法律最好的法律法律依据计算了该矩阵的均值,在第12行则通过std法律最好的法律法律依据计算标准差。

      第14行是用原始值减去均值,再除以标准差,在第17行,是直接输出preprocessing.scale的结果。第14行和第17行的输出结果相同,均是下值,从中你们都你们都你们都 验证了标准化的具体做法。    

1	[[-0.26726124 -1.22474487 -1.37281295]
2	 [-1.06904497  0.          0.39223227]
3	 [ 1.336150621  1.22474487  0.9150515068]]

3 预测股票涨跌

    在过后的案例中,你们都你们都你们都 用基于SVM的法律最好的法律法律依据,通过一维直线来分类二维的点。据此可不上能进一步推论:通过基于SVM的法律最好的法律法律依据,你们都你们都你们都 还可不上能分类具有多个底部形态值的样本。

    比如保不上能通过开盘价、收盘价、最高价、最低价和成交量等底部形态值,用SVM的算法训练出两种底部形态值和股票“涨“和“跌“的关系,即通过底部形态值划分指定股票“涨”和“跌”的边界,原来励志的话 ,一旦输入其它的股票底部形态数据,即可预测出对应的涨跌情形。在如下的PredictStockBySVM.py案例中,你们都你们都你们都 给出了基于SVM预测股票涨跌的功能。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	import pandas as pd 
4	from sklearn import svm,preprocessing
5	import matplotlib.pyplot as plt
6	origDf=pd.read_csv('D:/stockData/ch13/150315052018-09-012019-05-31.csv',encoding='gbk')
7	df=origDf[['Close', 'Low','Open' ,'Vol','Date']]
8	#diff列表示本日和上日收盘价的差
9	df['diff'] = df["Close"]-df["Close"].shift(1)
10	df['diff'].fillna(0, inplace = True)
11	#up列表示本日与非

上涨,1表示涨,0表示跌
12	df['up'] = df['diff']   
13	df['up'][df['diff']>0] = 1
14	df['up'][df['diff']<=0] = 0
15	#预测值无须初始化为0
16	df['predictForUp'] = 0

  第6行里,你们都你们都你们都 从指定文件读取了含晒 股票信息的csv文件,该csv格式的文件其实是从网络数据接口获取得到的,具体做法可不上能参考前面博文。

    从第9行里,你们都你们都你们都 设置了df的diff列为本日收盘价和前日收盘价的差值,通过第12行到第14行的代码,你们都你们都你们都 设置了up列的值,具体是,可能当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之可能当日股票下跌,up值则为0。

    在第16行里,你们都你们都你们都 在df对象里新建了表示预测结果的predictForUp列,该列的值无须都设置为0,在后继的代码里,将根据预测结果填充这列的值。    

17	#目标值是真实的涨跌情形
18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#选泽指定列作为底部形态列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化避免底部形态值
25	feature=preprocessing.scale(feature)

  在第18行里,你们都你们都你们都 设置训练目标值是表示涨跌情形的up列,在第20行,设置了训练集的数量是总量的150%,在第23行则设置了训练的底部形态值,请注意这里换成了日期两种不相关的列,什么都 ,在第25行,对底部形态值进行了标准化避免。    

26	#训练集的底部形态值和目标值
27	featureTrain=feature[1:trainNum-1]
28	targetTrain=target[1:trainNum-1]
29	svmTool = svm.SVC(kernel='liner')
150	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,你们都你们都你们都 通过截取指定行的法律最好的法律法律依据,得到了底部形态值和目标值的训练集,在第26行里,以线性核的法律最好的法律法律依据创建了SVM分类器对象svmTool。

     在第150行里,通过fit法律最好的法律法律依据,用底部形态值和目标值的训练集训练svmTool分类对象。从上文里你们都你们都你们都 可能看一遍,训练所用的底部形态值是开盘收盘价、最高最低价和成交量,训练所用的目标值是描述涨跌情形的up列。在训练完成后,svmTool对象中就含晒 了能划分股票涨跌的相关参数。

31	predictedIndex=trainNum
32	#逐行预测测试集
33	while predictedIndex<length:
34	    testFeature=feature[predictedIndex:predictedIndex+1]            
35	    predictForUp=svmTool.predict(testFeature)    
36	    df.ix[predictedIndex,'predictForUp']=predictForUp    
37	    predictedIndex = predictedIndex+1

    在第33行的while循环里,你们都你们都你们都 通过predictedIndex索引值,依次遍历测试集。

    在遍历过程中,通过第35行的predict法律最好的法律法律依据,用训练好的svmTool分类器,逐行预测测试集中的股票涨跌情形,并在第36行里,把预测结果设置到df对象的predictForUp列中。      

38	#该对象只含晒


预测数据,即只含晒


测试集
39	dfWithPredicted = df[trainNum:length]
40	#过后开始英文绘图,创建原来子图
41	figure = plt.figure()
42	#创建子图     
43	(axClose, axUpOrDown) = figure.subplots(2, sharex=True)
44	dfWithPredicted['Close'].plot(ax=axClose)
45	dfWithPredicted['predictForUp'].plot(ax=axUpOrDown,color="red", label='Predicted Data')
46	dfWithPredicted['up'].plot(ax=axUpOrDown,color="blue",label='Real Data')
47	plt.legend(loc='best') #绘制图例
48	#设置x轴坐标标签和旋转厚度
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
150	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=150) 
53	plt.title("通过SVM预测15031505的涨跌情形")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  可能在过后的代码里,你们都你们都你们都 只设置测试集的predictForUp列,并如此设置训练集的该列数据,什么都在第39行里,用切片的手段,把测试集数据放置到dfWithPredicted对象中,请注意这里切片的起始和过后开始英文值是测试集的起始和过后开始英文索引值。至此完成了数据准备工作,在过后的代码里,你们都你们都你们都 将用matplotlib库过后开始英文绘图。

    在第43行里,你们都你们都你们都 通过subplots法律最好的法律法律依据设置了原来子图,并通过sharex=True让这原来子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,你们都你们都你们都 用plot法律最好的法律法律依据绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,你们都你们都你们都 绘制了预测到的涨跌情形,而在第46行里,还是在axUpOrDown子图里,绘制了两种天的股票真实的涨跌情形。

    在第49行到第52行的代码里,你们都你们都你们都 设置了x标签的文字以及旋转厚度,原来做的目的是让标签文字看上去不至于太密集。在第53行里,你们都你们都你们都 设置了中文标题,可能要显示中文,什么都都要第54行的代码,最后在55行通过show法律最好的法律法律依据展示了图片。运行上述代码,能看一遍如下图所示的效果。

    

    其中上图展示了收盘价,下图的暗蓝色线条表示真实的涨跌情形,0表示跌,1表示上涨,而红色则表示预测后的结果。

4 结论

     对比一下,虽有偏差,但大体相符。综上所述,本案例是数学厚度,演示了通过SVM分类的做法,包括可能划分底部形态值和目标值,如保对样本数据进行标准化避免,如保用训练数据训练SVM,还有如保用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给进程员加财商系列,过后还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和你们都你们都你们都 讲述Python入门时的知识点,敬请期待

    

    有不少女女男友转载和愿意转载我的博文,被委托人感到十分荣幸,这也是被委托人不断写博文的动力。关于本文的版权有如下统一的说明,抱歉就不逐一回复了。

    1 本文可转载,我不要 告知,转载时请用链接的法律最好的法律法律依据,给出原文出处,别简单地通过文本法律最好的法律法律依据给出,同去写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。什么都 被委托人保留追究法律责任的权利。