SVR预测第二天开盘趋势和股价的正负统计分析

妖狐艹你老母 2021-09-28 04:26 290阅读 0赞

### SVR预测第二天开盘趋势和股价的正负统计分析 ###

*   *  前言
     *  SVR的简单实现代码
     *  拟合以及预测股价

## 前言 ##

这篇博客基于[公众号][Link 1]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][Link 2] 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：  
![SVR拟合结果][SVR]

## 拟合以及预测股价 ##

这里要用到一个网站叫 [优矿][Link 2]  
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：  
![拟合与预测股价][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NyYWJzdGV3_size_16_color_FFFFFF_t_70]  
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。

--------------------

1.  公众号链接 ↩︎

[Link 1]: https://mp.weixin.qq.com/s/2WlPHfxYNwja_BZy0FpJcg
[Link 2]: https://uqer.datayes.com/data/browse/0/?page=1
[SVR]: /images/20210923/d44a1b95f64d4a0fba802c4cd3cbb52c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NyYWJzdGV3_size_16_color_FFFFFF_t_70]: /images/20210923/5c94b3f04306405082a68e9cb71547ef.png