使用机器学习预测大盘

使用机器学习预测大盘

标签（空格分隔）： 未分类

---

前言：金融数据具有多种特征，但是大盘每天的涨跌只有两种情况，要么涨要么跌（横盘的情况几乎不存在，因为参与交易的人太多了，即使资金强大的机构也不能完全控制市场，只能适当的引导市场的方向），所以金融时间数据具有天然的可分类的特点，而且金融时间数据量大且获取方便，是学习机器学习的一个好的数据来源

本文将使用KNN,SVM等方法来通过金融时间数据来预测大盘涨跌，并得到每种预测方法的准确度情况

1.数据准备

• 获得金融时间序列：
  通过ABusymbolPd获取大盘两年的时间金融序列,并将金融时间序列存储到文件中，方便后面重复使用

from abupy import ABusymbolPd
import pandas as pd
kl_df = ABuSymbolPd.make_kl_df('000001',n_folds=2) kl_df.to_csv('000001.csv')

• 准备特征数据和label标签

import talib
kl_df = pd.read_csv('000001.csv')
kl_df = kl_df.set(['Unnamed: 0'])
trade_days = kl_df.index.tolist()
start_date = '2016-07-27' start_date_index = trade_days.index(start_date)
end_date = '2018-06-13' end_date_index = trade_days.index(end_date)
x_all = []
y_all = []

for index in range(start_date_index,end_date_index):
    stock_data = kl_df[index-30:index]
    close_prices = stock_data['close'].values
    sma_data = talib.SMA(close_prices)[-1]
    wma_data = talib.WMA(close_prices)[-1]
    mom_data = talib.MOM(close_prices)[-1]
    features = []
    features.append(sma_data)
    features.append(wma_data)
    features.append(mom_data)

    label = False
    if close_prices[-1] > close_prices[-2]:
        label = True
        x_all.append(features)
        y_all.append(label)
        

2.算法准备

• KNN算法

from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
def knn_start(x_train,y_train,x_test,y_test):
    knn = KNeighborsClassifier(n_neighbors=5)
    knn.fit(x_train,y_train)
    pred_on_test = knn.predict(x_test)
    accuracy = metrics.accuracy_score(pred_on_test,y_test)
    return accuracy

• SVM算法

from sklearn import svm
from sklearn import metrics
def svm_start(x_train,y_train,x_test,y_test):
    clf = svm.SVC()
    clf.fit(x_train,y_train)
    pred_on_test = clf.predict(x_test)
    accuracy = metric.accuracy_score(pred_on_test,y_test)
    return accuracy

• 绘图函数

def plot(func):
    x_data = []
    y_data = []
    for train_len in range(450):
        x_data.append(train_len)
        x_train = x_all[0:train_len]
        y_train = y_all[0:train_len]
        x_test = x_all[train_len:]
        y_test = y_all[train_len:]
        accuracy = func(x_train,y_train,x_test,y_test)
        y_data.append(accuracy)        
    plt.plot(x_data,y_data,color='red')

3.结果评价

• KNN算法
  

• SVM算法