Предыдущая статья для запасов США данных из корреляционного анализа провела презентацию и демонстрацию коды, то мы будем в будущем сделать прогноз с историческими данными цен на американские акции.
Предвкушение складе Цена
Предвкушение складе Цена
особенности проекта
Использование этих трех моделей машинного обучения для прогнозирования запаса:
Простой линейный анализ,
Квадратичные дискриминантного анализа (QDA)
К ближайшему соседу (КННЫ).
Во-первых, давайте напишем несколько функции: процент уровня и процент изменения.
dfreg = df.loc [: [ 'Adj Закрыть', 'Volume']]
dfreg [ 'HL_PCT'] = (ДФ [ 'High'] - ДФ [ 'Low']) / DF [ 'Close'] * 100,0
dfreg [ 'PCT_change'] = (ДФ [ 'Close'] - ДФ [ 'Open']) / DF [ 'Open'] * 100,0
Конечный блок данных генерируется
Предварительная обработка и кросс-проверки
Сквозная сверка
Перед данных в прогнозной модели, следующие шаги будут использоваться для очистки и обработки данных:
1. Обработка пропущенные значения потери
2. В сегментации данных этикетки, предсказал целевой столбец AdjClose
3. Масштаб X, так что каждая из данных отвечают линейной регрессии распределения
4. Наконец определить обучающее множество X и X для модели генерации и оценок
5. Результат установлен быть предсказаны и тег идентифицирован как у
6. Обучение изолированного с помощью теста перекрестной проверки и разделения поезда испытания модели
Ну, шаг закончен. Код выглядит следующим образом:
Капля отсутствующее значение
dfreg.fillna (значение = -99999, Inplace = True)
Мы хотим выделить 1 процент данных для прогнозирования
forecast_out = INT (Math.ceil (0.01 * LEN (dfreg)))
Разделительный ярлык здесь, мы хотим предсказать AdjClose
forecast_col = 'Adj Закрыть'
dfreg['label'] = dfreg[forecast_col].shift(-forecast_out)
X = np.array(dfreg.drop(['label'], 1))
Scale the X so that everyone can have the same distribution for linear regression
X = preprocessing.scale(X)
Finally We want to find Data Series of late X and early X (train) for model generation and evaluation
X_lately = X[-forecast_out:]
X = X[:-forecast_out]
Separate label and identify it as y
y = np.array(dfreg['label'])
y = y[:-forecast_out]
模型生成 - 愉快的预测开始了
首先,导入Scikit-Learn:
from sklearn.linear_model import LinearRegression
from sklearn.neighbors import KNeighborsRegressor
from sklearn.linear_model import Ridge
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline
简单线性分析和二次判别分析
简单线性分析显示两个或多个变量之间的线性关系。当我们在两个变量中绘制这种关系时,我们得到一条直线。二次判别分析与简单线性分析类似,只是模型允许多项式(例如:x平方)并产生曲线。
线性回归预测因变量(y)作为输出给出独立变量(x)作为输入。在绘图期间,这将给我们一条直线,如下所示:
简单线性回归
下面通过使用Scikit-Learn库来训练模型。代码如下。
Linear regression
clfreg = LinearRegression(n_jobs=-1)
clfreg.fit(X_train, y_train)
Quadratic Regression 2
clfpoly2 = make_pipeline(PolynomialFeatures(2), Ridge())
clfpoly2.fit(X_train, y_train)
Quadratic Regression 3
clfpoly3 = make_pipeline(PolynomialFeatures(3), Ridge())
clfpoly3.fit(X_train, y_train)
K近邻(KNN)
该KNN使用特征相似性来预测数据点的值。这可确保分配的新点与数据集中的点类似。为了找出相似性,将选取点以得到最小距离(例如:欧几里德距离)。
KNN模型可视化,您可以将被质疑的元素分组为k个元素
KNN Regression
clfknn = KNeighborsRegressor(n_neighbors=2)
clfknn.fit(X_train, y_train)
评估
简单快速而有效的评估方法
一种简单快速而有效的评估方法是在每个训练模型中使用得分方法。得分方法使用测试数据集的y找到self.predict(X)的平均准确度。
confidencereg = clfreg.score(X_test, y_test)
confidencepoly2 = clfpoly2.score(X_test,y_test)
confidencepoly3 = clfpoly3.score(X_test,y_test)
confidenceknn = clfknn.score(X_test, y_test)
results
('The linear regression confidence is ', 0.96399641826551985)
('The quadratic regression 2 confidence is ', 0.96492624557970319)
('The quadratic regression 3 confidence is ', 0.9652082834532858)
('The knn regression confidence is ', 0.92844658034790639)
这显示了这些模型的大多数有着极高准确度分数(> 0.95)。然而,这并不意味着我们可以盲目套用,并交易股票。仍有许多问题需要注意,特别是对于不同价格轨迹不同的公司。
为了直观感觉,打印一些预测的股票预测结果。
forecast_set = clf.predict(X_lately)
dfreg['Forecast'] = np.nan
result
(array([ 115.44941187, 115.20206522, 116.78688393, 116.70244946,
116.58503739, 115.98769407, 116.54315699, 117.40012338,
117.21473053, 116.57244657, 116.048717 , 116.26444966,
115.78374093, 116.50647805, 117.92064806, 118.75581186,
118.82688731, 119.51873699]), 0.96234891774075604, 18)
预测可视化
使用现有的历史数据来预测未来的价格。这将有助于我们理解并掌握,可视化模型如何预测未来的股票定价。
last_date = dfreg.iloc [-1] .name
last_unix = last_date
next_unix = last_unix + datetime.timedelta (дни = 1)
для я в forecast_set:
next_date = next_unix
next_unix + = datetime.timedelta (дни = 1)
dfreg.loc [next_date] = [np.nan для _ в диапазоне (LEN (dfreg.columns) -1)] + [I]
dfreg [ 'Adj Закрыть']. Хвост (500) .plot ()
dfreg [ 'Прогноз']. Хвост (500) .plot ()
plt.legend (LOC = 4)
plt.xlabel ( 'Date')
plt.ylabel ( 'Цена')
plt.show ()
прогноз Stock визуализации
Вы можете увидеть синий показывает стоимость акций, основанную на регрессии. Прогноз цен в будущем будет менее продолжительным спад, а затем восстановить. Таким образом, вы можете покупать и продавать акции в период спада в период экономического подъема.
Воспроизводится в: https: //www.jianshu.com/p/0fd209702365