《量化交易策略思想与原码-机器学习在股市简单应用》由会员分享，可在线阅读，更多相关《量化交易策略思想与原码-机器学习在股市简单应用（12页珍藏版）》请在金锄头文库上搜索。
1、机器学习机器学习在股市的在股市的简单简单应用应用 导语：导语： 在我们的数学课堂中，我们给大家简单介绍了几种机器学习方法的算法原理（SVM，朴素贝叶斯，随机森林等等），在每篇文章的最后，我们都放了一个非常小的例子来帮助大家使用这些算法。 这一篇就给大家展示一个更贴近实际的例子， 来帮助大家更好的使用这些算法。 本文中， 为了降低提取的特征中的噪声， 我们将常见技术分析指标进行离散化， 作为特征值，如 RSI，MACD，等等。然后应用 SVM，朴素贝叶斯和随机森林算法来预测下一个交易日的涨跌情况。 为了和实际应用场景更接近， 我们每天都会向训练数据中添加今天的数据， 因为训练数据集发生了改变，我
2、们每天都会训练一个新的模型。下面我们正式开工。 本文由 JoinQuant 量化课堂推出 。难度标签为进阶上，理解深度标签：level-0 作者：yongpeng.r 编辑：宏观经济算命师 阅读前需要了解： 文中涉及到 SVM，随机森林，朴素贝叶斯算法，可以参照量化课堂中的 支持向量机入门，随机森林入门，朴素贝叶斯入门。 训练预测代码介绍 本文是之前的支持向量机，随机森林，朴素贝叶斯等机器学习算法的应用篇，具体的代码可 以参照文中后面的研究模块， 下面先将一些重要的代码拿出来说说， 以方便大家理解代码的 逻辑。 特征计算特征计算 我们先通过 get_price 方法得到该支股票的前 35 个交
3、易日的开高低收和交易量数据，然后利用talib包提供的特征计算API计算相应的特征。 在这次实验中， 我们选取了SMA， WMA，批注批注 M1: 到时候加上链接，发的时候不用 MOM，STCK，STCD，MACD，RSI，WILLR，CCI，MFI，OBV，ROC，CMO 等技术指标作为训练模型的特征。计算 SMA 指标的代码如下： trading_days = get_all_trade_days() start_day = trading_daysindex - 35 end_day = trading_daysindex stock_data = get_price(test_stoc
4、k, start_date=start_day, end_date=end_day, frequency=daily, fields=close,high,low,volume) close_prices = stock_dataclose.values sma_data = talib.SMA(close_prices)-1 分类分类标签确定标签确定 如果下一个交易日的收盘价比当前交易日的收盘价高，label 的值为 True，否则为 False。相关代码如下： start_day = trading_daysindex end_day = trading_daysindex + 1 sto
5、ck_data = get_price(test_stock, start_date=start_day, end_date=end_day, frequency=daily, fields=close,high,low,volume) close_prices = stock_dataclose.values label = False if close_prices-1 close_prices-2: label = True 特征特征离散化离散化 通过 talib 库计算出来的特征都是连续值，由于股市中的噪声非常多，如果直接将连续值特征放到机器学习算法中训练，得到的结果很可能过拟合的（回
6、测结果好，实盘结果差）。为了避免过拟合，本文中结合各个特征的含义，将连续值特征离散化为二值特征。比如对于SMA 特征，离散化的方法就是和当日收盘价相比较，若 SMA 小于当前收盘价，离散之后的特征值是 1， 若 SMA 大于等于收盘价， 离散之后的特征值是-1。 SMA 离散化的代码如下，x_all 是存放所有特征值的二维数组，x_all 中的第 1 列存放的就是 SMA 特征数据。 # SMA if x_allindex0 close_prices-2: label = True x_all.append(features) y_all.append(label) #连续数值离散化 #从后面
7、开始向前面遍历，第一行数据需要舍弃,range 只包含第一个元素，不包含第二个元素 for index in range(len(x_all)-1, 0, -1): # SMA if x_allindex0 0: x_allindex2 = 1 else: x_allindex2 = -1 # STCK if x_allindex3 x_allindex-13: x_allindex3 = 1 else: x_allindex3 = -1 # STCD if x_allindex4 x_allindex-14: x_allindex4 = 1 else: x_allindex4 = -1 #
8、MACD if x_allindex5 x_allindex-15: x_allindex5 = 1 else: x_allindex5 = -1 # RSI if x_allindex6 70: x_allindex6 = -1 elif x_allindex6 x_allindex-16: x_allindex6 = 1 else: x_allindex6 = -1 # WILLR if x_allindex7 x_allindex-17: x_allindex7 = 1 else: x_allindex7 = -1 # CCI if x_allindex8 200: x_allindex
9、8 = -1 elif x_allindex8 x_allindex-18: x_allindex8 = 1 else: x_allindex8 = -1 # MFI if x_allindex9 90: x_allindex9 = -1 elif x_allindex9 x_allindex-19: x_allindex9 = 1 else: x_allindex9 = -1 # OBV if x_allindex10 x_allindex-110: x_allindex10 = 1 else: x_allindex10 = -1 # ROC if x_allindex11 0: x_all
10、index11 = 1 else: x_allindex11 = -1 # CMO if x_allindex12 50: x_allindex12 = -1 elif x_allindex12 x_allindex-112: x_allindex12 = 1 else: x_allindex12 = -1 # 删除价格 x_allindex.pop(-1) # 去除第一行数据 x_all = x_all1: y_all = y_all1: # 训练数据是除去最后一个数据之后的全部数据 x_train = x_all:-1 y_train = y_all:-1 # 测试数据就是最后一个数据 x
11、_test = x_all-1 y_test = y_all-1 # 以下三行代码分别是利用 SVM，随机森林，朴素贝叶斯，调用其中的一句就好 clf = svm.SVC() # clf = RandomForestClassifier(n_estimators=50) # clf = GaussianNB() # 训练过程 clf.fit(x_train, y_train) # 预测过程 prediction = clf.predict(x_test) if prediction = y_test: print(True) result_list.append(1) else: print(False) result_list.append(-1) #将准确率曲线画出来 x = range(0, len(result_list) y = for i in range(0, len(result_list): y.append(1 + float(sum(result_list:i) / (i+1) / 2) line, = plt.plot(x, y) plt.show
