10分快三玩法_以预测股票涨跌案例入门基于SVM的机器学习

  • 时间:
  • 浏览:0
  • 来源:小阿晨资源 - 专注共享天罚娱乐资讯

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它还能不能对样本数据进行分类。以股票为例,SVM能根据若干形状样本数据,把待预测的目标结果划分成“涨”和”跌”三种,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分类的相关法律法律依据 ,也却说说,让让我们都让让我们都让让我们都 不要再了解其中比较复杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,让让我们都让让我们都让让我们都 来看下通过SVM库实现分类的做法,以及相关法律法律依据 的调用法律法律依据 。    

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,让让我们都让让我们都让让我们都 引入了基于SVM的库。在第7行,让让我们都让让我们都让让我们都 定义了若干个点,并在第9行把什么点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的就让 ,是通过np.r_法律法律依据 ,把数据转再加“列矩阵”,却说做的目的是让数据形状满足fit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,让让我们都让让我们都让让我们都 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法律法律依据 和就让 基于线性回归案例中的fit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,而就让 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,让让我们都让让我们都让让我们都 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,让让我们都让让我们都让让我们都 通过第19行的plot法律法律依据 绘制了分隔线,并在第21行通过scatter法律法律依据 绘制所有的样本点。可能性points是“列矩阵”的数据形状,好多好多 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法律法律依据 绘制图形。运行上述代码,让让我们都让让我们都让让我们都 能看了如下图13.8的效果,从中让让我们都让让我们都让让我们都 能看了,浅绿色的边界线能有效地分隔两类样本。

    

    从你你你这个 例子中让让我们都让让我们都让让我们都 能看了,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。假如,在根据训练样本选用好边界线的参数后,还能根据其它这么明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化防止

    标准化(normalization)防止是将形状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,一起去再加单位限制,让样本数据转再加无量纲的纯数值。

    在用机器学习法律法律依据 进行训练时,一般需用进行标准化防止,是因为是Sklearn等库封装的一些机器学习算法对样本有一定的要求,可能性一些形状值的数量级每种大多数形状值的数量级,可能性有形状值每种正态分布,这么预测结果会不准确。

    需用说明的是,其确实训练前对样本进行了标准化防止,改变了样本值,但可能性在标准化的过程中是用同一一个算法对完整性样本进行转换,属于“数据优化”,不要再对后继的训练起到不好的作用。

    这里让让我们都让让我们都让让我们都 是通过sklearn库提供的preprocessing.scale法律法律依据 实现标准化,该法律法律依据 是让形状值减去平均值假如除以标准差。通过如下ScaleDemo.py案例,让让我们都让让我们都让让我们都 实际用下preprocessing.scale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,让让我们都让让我们都让让我们都 初始化了一一个长宽各为3的矩阵,在第10行,通过mean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,从中让让我们都让让我们都让让我们都 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	 [ 1.336500621  1.22474487  0.9500550068]]

3 预测股票涨跌

    在就让 的案例中,让让我们都让让我们都让让我们都 用基于SVM的法律法律依据 ,通过一维直线来分类二维的点。据此还能不能进一步推论:通过基于SVM的法律法律依据 ,让让我们都让让我们都让让我们都 还还能不能分类具有多个形状值的样本。

    比如还能不能通过开盘价、收盘价、最高价、最低价和成交量等形状值,用SVM的算法训练出什么形状值和股票“涨“和“跌“的关系,即通过形状值划分指定股票“涨”和“跌”的边界,却说得话,一旦输入其它的股票形状数据,即可预测出对应的涨跌清况 。在如下的PredictStockBySVM.py案例中,让让我们都让让我们都让让我们都 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/ch13/500350052018-09-012019-05-31.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列表示本日是否上涨,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	#预测值并不初始化为0
16	df['predictForUp'] = 0

  第6行里,让让我们都让让我们都让让我们都 从指定文件读取了中有 股票信息的csv文件,该csv格式的文件确实是从网络数据接口获取得到的,具体做法还能不能参考前面博文。

    从第9行里,让让我们都让让我们都让让我们都 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,让让我们都让让我们都让让我们都 设置了up列的值,具体是,可能性当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之可能性当日股票下跌,up值则为0。

    在第16行里,让让我们都让让我们都让让我们都 在df对象里新建了表示预测结果的predictForUp列,该列的值并不都设置为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清况

18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#选用指定列作为形状列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化防止形状值
25	feature=preprocessing.scale(feature)

  在第18行里,让让我们都让让我们都让让我们都 设置训练目标值是表示涨跌清况 的up列,在第20行,设置了训练集的数量是总量的500%,在第23行则设置了训练的形状值,请注意这里再加了日期你你你这个 不相关的列,假如,在第25行,对形状值进行了标准化防止。    

26	#训练集的形状值和目标值
27	featureTrain=feature[1:trainNum-1]
28	targetTrain=target[1:trainNum-1]
29	svmTool = svm.SVC(kernel='liner')
500	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,让让我们都让让我们都让让我们都 通过截取指定行的法律法律依据 ,得到了形状值和目标值的训练集,在第26行里,以线性核的法律法律依据 创建了SVM分类器对象svmTool。

     在第500行里,通过fit法律法律依据 ,用形状值和目标值的训练集训练svmTool分类对象。从上文里让让我们都让让我们都让让我们都 可能性看了,训练所用的形状值是开盘收盘价、最高最低价和成交量,训练所用的目标值是描述涨跌清况 的up列。在训练完成后,svmTool对象中就中有 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,让让我们都让让我们都让让我们都 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清况 ,并在第36行里,把预测结果设置到df对象的predictForUp列中。      

38	#该对象只中有

预测数据,即只中有

测试集
39	dfWithPredicted = df[trainNum:length]
40	#现在开始绘图,创建一一个子图
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轴坐标标签和旋转深度1
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
500	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=500) 
53	plt.title("通过SVM预测50035005的涨跌清况

")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  可能性在就让 的代码里,让让我们都让让我们都让让我们都 只设置测试集的predictForUp列,并这么设置训练集的该列数据,好多好多 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现在开始值是测试集的起始和现在开始索引值。至此完成了数据准备工作,在就让 的代码里,让让我们都让让我们都让让我们都 将用matplotlib库现在开始绘图。

    在第43行里,让让我们都让让我们都让让我们都 通过subplots法律法律依据 设置了一一个子图,并通过sharex=True你会你你这个 一个子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,让让我们都让让我们都让让我们都 用plot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,让让我们都让让我们都让让我们都 绘制了预测到的涨跌清况 ,而在第46行里,还是在axUpOrDown子图里,绘制了什么天的股票真实的涨跌清况 。

    在第49行到第52行的代码里,让让我们都让让我们都让让我们都 设置了x标签的文字以及旋转深度1,却说做的目的是让标签文字看上去不至于太密集。在第53行里,让让我们都让让我们都让让我们都 设置了中文标题,可能性要显示中文,好多好多 需用第54行的代码,最后在55行通过show法律法律依据 展示了图片。运行上述代码,能看了如下图所示的效果。

    

    其中上图展示了收盘价,下图的浅绿色线条表示真实的涨跌清况 ,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,本案例是数学深度1,演示了通过SVM分类的做法,包括可能性划分形状值和目标值,怎样才能对样本数据进行标准化防止,怎样才能用训练数据训练SVM,还有怎样才能用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给应用应用程序员加财商系列,就让 还有两篇博文

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

    

    有不少前外国网友 见面转载和你会转载我的博文,当时人感到十分荣幸,这也是当时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,不要再告知,转载时请用链接的法律法律依据 ,给出原文出处,别简单地通过文本法律法律依据 给出,一起去写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。假如当时人保留追究法律责任的权利。