曹杰峰的博客 - 专注共享小诺博客资源 - 曹杰峰的博客,小诺博客是一家乐享资源记忆点滴的博客,主要分享网络技术,网络资源,站长技术,网络活动等,致力创造一个高质量分享平台

秒秒时时彩神彩_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,通过它还都可不可否够对样本数据进行分类。以股票为例,SVM能根据若干形态学 样本数据,把待预测的目标结果划分成“涨”和”跌”并与否,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分类的相关最好的办法,也就说 说,另一人个无需了解其中复杂化的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,另一人个来看下通过SVM库实现分类的做法,以及相关最好的办法的调用最好的办法。    

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,另一人个引入了基于SVM的库。在第7行,另一人个定义了若干个点,并在第9行把哪几种点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的完后 ,是通过np.r_最好的办法,把数据转加带“列矩阵”,原本做的目的是让数据形态学 满足fit最好的办法的要求。     

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,另一人个创建了基于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最好的办法和完后 基于线性回归案例中的fit最好的办法是一样的,只不过这里是基于线性核的相关算法,而完后 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,另一人个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,另一人个通过第19行的plot最好的办法绘制了分隔线,并在第21行通过scatter最好的办法绘制所有的样本点。原因分析着points是“列矩阵”的数据形态学 ,就说 有是用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最好的办法绘制图形。运行上述代码,另一人个能想看 如下图13.8的效果,从中另一人个能想看 ,深蓝色的边界线能有效地分隔两类样本。

    

    从你这人 例子中另一人个能想看 ,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。而且,在根据训练样本选择好边界线的参数后,还能根据其它那末 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)避免是将形态学 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,一并加带单位限制,让样本数据转加带无量纲的纯数值。

    在用机器学习最好的办法进行训练时,一般还都可不可否够进行标准化避免,原因分析是Sklearn等库封装的某些机器学习算法对样本有一定的要求,原因分析着某些形态学 值的数量级主次大多数形态学 值的数量级,原因分析着有形态学 值主次正态分布,那末 预测结果会不准确。

    还都可不可否够说明的是,人太好在训练前对样本进行了标准化避免,改变了样本值,但原因分析着在标准化的过程中是用同有另有4个算法对完整篇 样本进行转换,属于“数据优化”,无需对后继的训练起到不好的作用。

    这里另一人个是通过sklearn库提供的preprocessing.scale最好的办法实现标准化,该最好的办法是让形态学 值减去平均值而且除以标准差。通过如下ScaleDemo.py案例,另一人个实际用下preprocessing.scale最好的办法。     

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,另一人个初始化了有另有4个长宽各为3的矩阵,在第10行,通过mean最好的办法计算了该矩阵的均值,在第12行则通过std最好的办法计算标准差。

      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,从中另一人个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

    在完后 的案例中,另一人个用基于SVM的最好的办法,通过一维直线来分类二维的点。据此还都可不可否够进一步推论:通过基于SVM的最好的办法,另一人个还还都可不可否够分类具有多个形态学 值的样本。

    比如还都可不可否够通过开盘价、收盘价、最高价、最低价和成交量等形态学 值,用SVM的算法训练出哪几种形态学 值和股票“涨“和“跌“的关系,即通过形态学 值划分指定股票“涨”和“跌”的边界,原本语录,一旦输入其它的股票形态学 数据,即可预测出对应的涨跌情况。在如下的PredictStockBySVM.py案例中,另一人个给出了基于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列表示本日与否上涨,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	#预测值并与否初始化为0
16	df['predictForUp'] = 0

  第6行里,另一人个从指定文件读取了中有 股票信息的csv文件,该csv格式的文件人太好是从网络数据接口获取得到的,具体做法还都可不可否够参考前面博文。

    从第9行里,另一人个设置了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,另一人个设置了up列的值,具体是,原因分析着当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之原因分析着当日股票下跌,up值则为0。

    在第16行里,另一人个在df对象里新建了表示预测结果的predictForUp列,该列的值并与否都设置为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况
18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#选择指定列作为形态学

列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化避免形态学

值
25	feature=preprocessing.scale(feature)

  在第18行里,另一人个设置训练目标值是表示涨跌情况的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态学 值,请注意这里加带了日期你这人 不相关的列,而且,在第25行,对形态学 值进行了标准化避免。    

26	#训练集的形态学

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,另一人个通过截取指定行的最好的办法,得到了形态学 值和目标值的训练集,在第26行里,以线性核的最好的办法创建了SVM分类器对象svmTool。

     在第500行里,通过fit最好的办法,用形态学 值和目标值的训练集训练svmTool分类对象。从上文里另一人个原因分析着想看 ,训练所用的形态学 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,另一人个通过predictedIndex索引值,依次遍历测试集。

    在遍历过程中,通过第35行的predict最好的办法,用训练好的svmTool分类器,逐行预测测试集中的股票涨跌情况,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	#现在现在开始绘图,创建有另有4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的涨跌情况")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  原因分析着在完后 的代码里,另一人个只设置测试集的predictForUp列,并那末 设置训练集的该列数据,就说 有在第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现在开始值是测试集的起始和现在现在开始索引值。至此完成了数据准备工作,在完后 的代码里,另一人个将用matplotlib库现在现在开始绘图。

    在第43行里,另一人个通过subplots最好的办法设置了有另有4个子图,并通过sharex=True让这有另有4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,另一人个用plot最好的办法绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,另一人个绘制了预测到的涨跌情况,而在第46行里,还是在axUpOrDown子图里,绘制了哪几种天的股票真实的涨跌情况。

    在第49行到第52行的代码里,另一人个设置了x标签的文字以及旋转深度1,原本做的目的是让标签文字看上去不至于太密集。在第53行里,另一人个设置了中文标题,原因分析着要显示中文,就说 有还都可不可否够第54行的代码,最后在55行通过show最好的办法展示了图片。运行上述代码,能想看 如下图所示的效果。

    

    其中上图展示了收盘价,下图的深蓝色线条表示真实的涨跌情况,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,包括原因分析着划分形态学 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

    本文是给系统进程员加财商系列,完后 还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和另一人个讲述Python入门时的知识点,敬请期待

    

    有不少网民视频转载和后后转载我的博文,此人 感到十分荣幸,这也是此人 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,无需告知,转载时请用链接的最好的办法,给出原文出处,别简单地通过文本最好的办法给出,一并写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。而且此人 保留追究法律责任的权利。