SVR预测第二天开盘趋势和股价的正负统计分析

前言

这篇博客基于公众号¹ ，机器学习相关知识参阅了西瓜书。

• 学习了支持向量机（SVM）里的最经典的二元分类问题
• 支持向量回归(SVR)，了解了核函数的意义，增强了对“间隔”的理解。
• 使用 优矿 获取股市信息

基本上就是复现了一部分公众号里的代码，只是拟合的时候把数据一部分当作训练集，一部分当作测试集

SVR的简单实现代码

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import time

X=np.sort(5*np.random.rand(40,1),axis=0)
y=np.sin(X).ravel()

svr_rbf=SVR(kernel='rbf',C=1e3,gamma=0.1)   #exp(-gamma(||x-x'||)) Radial Based Function
svr_lin=SVR(kernel='linear',C=1e3)          #线性核
svr_poly=SVR(kernel='poly',C=1e3,degree=2)  #多项式核
y_rbf=svr_rbf.fit(X,y).predict(X)           #拟合
y_lin=svr_lin.fit(X,y).predict(X)
y_poly=svr_poly.fit(X,y).predict(X)```

plt.scatter(X,y,c='k',label='data')
plt.plot(X,y_rbf,c='g',label='RBF model')
plt.plot(X,y_lin,c='r',label='Linear model')
plt.plot(X,y_poly,c='b',label='Polynomial model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

结果：

拟合以及预测股价

这里要用到一个网站叫 优矿
需要在优矿里面的编辑器敲代码

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import time
import pandas as pd

start='20160101' #开始日期
end='20170101'   #截至日期
code='600000'    #股票代码
df=DataAPI.MktEqudAdjAfGet(ticker=code,beginDate=start,endDate=end,field=u'tradeDate,closePrice',pandas='1')
df=df.set_index('tradeDate').copy() #将DataFrame的 index设置成 tradeDate列

X=np.mat(range(1,len(df.values)+1)).T   #绘制横坐标
y=df.values  #提取DataFrame里的数据

X_train=X[:-10]  #训练集
X_test=X[-10:]
y_train=y[:-10]  #测试集
y_test=y[-10:]

svr_rbf=SVR(kernel='rbf',C=1e3,gamma=0.1)  #使用 rbf核进行拟合
clf=svr_rbf.fit(X_train,y_train)            #训练得到分类器
y_rbf=clf.predict(X)                           #预测的输出

_,ax=plt.subplots(figsize=[14,7])
ax.scatter(X_train,y_train,c='r',label='train')                 #训练集真实值的散点图 
ax.scatter(X_test,y_test,c='g',label='test')                   #测试集真实值的散点图 
ax.plot(X,y_rbf,c='b',label='RBF model')                        #训练集的拟合结果

plt.xlabel('day')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()

股票拟合结果：

绿色的是我划分出来的测试集，曲线是拟合的结果，可以看到中间有一段上升是不准确的，但是后面总体下降是准确的。模型做的比较简单，所以预测的效果差强人意，当作是学习用。