1分彩最新版下载_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:湖北生活网_湖北人的网上生活家园

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它可不都可以 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”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分类的相关方法,也假如有一天说,大伙儿不需要了解其中冗杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,大伙儿来看下通过SVM库实现分类的做法,以及相关方法的调用方法。    

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,大伙儿引入了基于SVM的库。在第7行,大伙儿定义了若干个点,并在第9行把哪些点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的但是,是通过np.r_方法,把数据转换成“列矩阵”,但是做的目的是让数据形态学 满足fit方法的要求。     

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,大伙儿创建了基于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方法和但是基于线性回归案例中的fit方法是一样的,只不过这里是基于线性核的相关算法,而但是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,大伙儿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,大伙儿通过第19行的plot方法绘制了分隔线,并在第21行通过scatter方法绘制所有的样本点。但是points是“列矩阵”的数据形态学 ,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方法绘制图形。运行上述代码,大伙儿能看一遍如下图13.8的效果,从中大伙儿能看一遍,湖蓝色的边界线能有效地分隔两类样本。

    

    从两种例子中大伙儿能看一遍,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。但是 ,在根据训练样本选择好边界线的参数后,还能根据其它没人 明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化除理

    标准化(normalization)除理是将形态学 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,一起去换成单位限制,让样本数据转换成无量纲的纯数值。

    在用机器学习方法进行训练时,一般还要进行标准化除理,意味 是Sklearn等库封装的许多机器学习算法对样本有一定的要求,但是许多形态学 值的数量级偏离 大多数形态学 值的数量级,但是有形态学 值偏离 正态分布,没人 预测结果会不准确。

    还要说明的是,确确实训练前对样本进行了标准化除理,改变了样本值,但但是在标准化的过程中是用同另五个算法对完整样本进行转换,属于“数据优化”,不需要对后继的训练起到不好的作用。

    这里大伙儿是通过sklearn库提供的preprocessing.scale方法实现标准化,该方法是让形态学 值减去平均值但是 除以标准差。通过如下ScaleDemo.py案例,大伙儿实际用下preprocessing.scale方法。     

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,大伙儿初始化了另五个长宽各为3的矩阵,在第10行,通过mean方法计算了该矩阵的均值,在第12行则通过std方法计算标准差。

      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,从中大伙儿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	 [ 1.336100621  1.22474487  0.9100510068]]

3 预测股票涨跌

    在但是的案例中,大伙儿用基于SVM的方法,通过一维直线来分类二维的点。据此可不都可以 进一步推论:通过基于SVM的方法,大伙儿还可不都可以 分类具有多个形态学 值的样本。

    比怎么才能 不都可以 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的算法训练出哪些形态学 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,但是的话,一旦输入其它的股票形态学 数据,即可预测出对应的涨跌清况 。在如下的PredictStockBySVM.py案例中,大伙儿给出了基于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/ch13/100310052018-09-012019-05-31.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列表示本日不是上涨,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	#预测值不需要说初始化为0
16	df['predictForUp'] = 0

  第6行里,大伙儿从指定文件读取了含高股票信息的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,具体做法可不都可以 参考前面博文。

    从第9行里,大伙儿设置了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,大伙儿设置了up列的值,具体是,但是当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反但是来当日股票下跌,up值则为0。

    在第16行里,大伙儿在df对象里新建了表示预测结果的predictForUp列,该列的值不需要说都设置为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	#选择指定列作为形态学

列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化除理形态学

值
25	feature=preprocessing.scale(feature)

  在第18行里,大伙儿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100%,在第23行则设置了训练的形态学 值,请注意这里换成了日期两种不相关的列,但是 ,在第25行,对形态学 值进行了标准化除理。    

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')
100	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,大伙儿通过截取指定行的方法,得到了形态学 值和目标值的训练集,在第26行里,以线性核的方法创建了SVM分类器对象svmTool。

     在第100行里,通过fit方法,用形态学 值和目标值的训练集训练svmTool分类对象。从上文里大伙儿但是看一遍,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清况 的up列。在训练完成后,svmTool对象中就含高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,大伙儿通过predictedIndex索引值,依次遍历测试集。

    在遍历过程中,通过第35行的predict方法,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	#该对象只含高预测数据,即只含高测试集
39	dfWithPredicted = df[trainNum:length]
40	#现在结束绘图,创建另五个子图
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图
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
100	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=100) 
53	plt.title("通过SVM预测10031005的涨跌清况

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

  但是在但是的代码里,大伙儿只设置测试集的predictForUp列,并没人 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现在结束值是测试集的起始和现在结束索引值。至此完成了数据准备工作,在但是的代码里,大伙儿将用matplotlib库现在结束绘图。

    在第43行里,大伙儿通过subplots方法设置了另五个子图,并通过sharex=True让这另五个子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,大伙儿用plot方法绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,大伙儿绘制了预测到的涨跌清况 ,而在第46行里,还是在axUpOrDown子图里,绘制了哪些天的股票真实的涨跌清况 。

    在第49行到第52行的代码里,大伙儿设置了x标签的文字以及旋转深度图,但是做的目的是让标签文字看上去不至于太密集。在第53行里,大伙儿设置了中文标题,但是要显示中文,什么都还要第54行的代码,最后在55行通过show方法展示了图片。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,下图的湖蓝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,本案例是数学深度图,演示了通过SVM分类的做法,包括但是划分形态学 值和目标值,怎么才能 才能 对样本数据进行标准化除理,怎么才能 才能 用训练数据训练SVM,还有怎么才能 才能 用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给程序运行运行员加财商系列,但是还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和大伙儿讲述Python入门时的知识点,敬请期待

    

    有不少外国日本男友 转载和想要转载我的博文,我每人个 感到十分荣幸,这也是我每人个 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,不需要告知,转载时请用链接的方法,给出原文出处,别简单地通过文本方法给出,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。但是 我每人个 保留追究法律责任的权利。

猜你喜欢

大发快三最高邀请码_Q1中国社区拼团报告:微信群、小程序提供发展土壤

搭大发快三最高邀请码上微信及大发快三最高邀请码小守护任大发快三最高邀请码务管理器快车道,社区拼团进入快速行驶阶段。 第三方数据挖掘及市场研大发快三最高邀请码究机构比达(BigD

2019-12-03

秒速飞艇辅助_松下空调nanoe&nanoe

 未必秒速飞艇辅助,室内环境是亲们位于最频繁、最密切、最长久的环境之一,亲们约有1000%以上的时间是在室内度过的,家居环境的超净将直接影响到当时人以及家人的身体健康,或者优化

2019-12-03

腾讯5分彩靠谱吗_让快更快 iQOO Pro全系标配855Plus+UFS3.0

今天,iQOO官方微博正式回应,iQOOPro将配置骁龙855Plus防止器:“同样是855Plus,为那先 有的快,有的却能更腾讯5分彩靠谱吗慢?”这与要是 官博的疯狂暗示

2019-12-03

大发快3腾讯app_

1.简介上一篇中,可是简单地一带而过的说了而且 驱动浏览器,這個篇继续语句驱动浏览器,而且再说一说元素定位的最好的法律法律法律依据。完成环境的安装并测试过后,朋友对Selen

2019-12-03

飞艇骗局_锐珂借势“互联网+” 深耕医疗信息化市场

 当前,“互联网+”和着飞艇骗局医疗热风劲吹,将传统医疗行业推到了风口上。当两者结合在同去的之后,又会预示着咋样的前景?互联网+医疗,正在挑战每个人的想象力。作为全球最大的医疗

2019-12-03