近年来,随着全球经济与股市的快速发展,股票投资成为人们最常用的理财方式之一。本文研究的主要目标是利用机器学习技术,应用Python编程语言构建股票预测模型,对我国股票市场进行分析与预测。
今天主要来回顾的是 移动平均 参考机器之心的文章，对代码进行了中文的解释，同时加入了自己的见解
首先来处理一下数据，选用的是来自塔塔饮料的数据集，获取数据的方式可以查看 传送门
#import packages 导入pandas、numpy库
import pandas as pd
import numpy as np
#to plot within notebook 绘图的库，如果不是在jupytor里面运行的话第二行可以省略
import matplotlib.pyplot as plt
%matplotlib inline
#setting figure size设定画布大小
from matplotlib.pylab import rcParams
rcParams['figure.figsize'] = 20,10
#for normalizing data 数据归一化
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
#read the file 读取文件夹，注意这里的数据集要放在同一个文件夹下面
df = pd.read_csv('NSE-TATAGLOBAL(1).csv')
#print the head 打印数据前几行
df.head()
可以观察到数据集中有多个变量——日期（date）、开盘价(open)、最高价(high)、最低价(low)、最后交易价(last)、收盘价(close)、总交易额(total_trade_quantity)和营业额(turnover)。
-
开盘价和收盘价代表股票在某一天交易的起始价和最终价。
-
最高价、最低价和最后交易价表示当天股票的最高价、最低价和最后交易价格。
-
交易总量是指当天买卖的股票数量，而营业额(Lacs)是指某一特定公司在某一特定日期的营业额。
要注意的另一点是，市场在周末和公共假期休市。注意上表缺失了一些日期值——2/10/2018、6/10/2018、7/10/2018。其中2号是国庆节，6号和7号是周末。
损益的计算通常由股票当日的收盘价决定，因此我们将收盘价作为目标变量。让我们画出目标变量来理解它在我们的数据集中的分布:
#setting index as date 把date这一列作为索引
df['Date'] = pd.to_datetime(df.Date,format='%Y-%m-%d')
df.index = df['Date']
#plot 打印收盘价（按照上面的索引来）
plt.figure(figsize=(16,8))
plt.plot(df['Close'], label='Close Price history')
接下来探索这些变量，并使用移动平均技术来预测股票的每日收盘价。
移动平均
利用一组先前观测值的平均值作为每天的预期收盘价，移动平均法使用最近的一组数据计算预测值。换句话说，对于后续的每个新的时间，在考虑预测值时，将从集合中删除最早的观测值，并加入上一个观测值。下面是一个简单的图，它将帮助您更清楚地理解这一点。
取黄色的部分的平均值作为黄色的下一个的预测，之后扔掉最开始的，把预测的上，继续预测再下一个区域，可以理解为一个固定的窗口的滑动，每次取窗口内的a v g，预测窗口后一个的值
第一步是创建一个只包含日期和收盘价列的数据框，然后将其拆分为训练集和验证集来验证我们的预测。
#creating dataframe with date and the target variable创建一个只包含日期和收盘价列的数据框
data = df.sort_index(ascending=True, axis=0)
new_data = pd.DataFrame(index=range(0,len(df)),columns=['Date', 'Close'])
# 将所有日期和收盘价列的数据放到一个list中来
for i in range(0,len(data)):
new_data['Date'][i] = data['Date'][i]
new_data['Close'][i] = data['Close'][i]
在将数据分割为训练和验证时，我们不能使用随机分割，因为这会破坏时间顺序。将去年的数据作为验证集，将之前4年的数据作为训练集。
#splitting into train and validation 数据分割为训练和验证集
train = new_data[:987]
valid = new_data[987:]
# 查看数据的情况（规模），和训练本身无关，可不执行
new_data.shape, train.shape, valid.shape
((1235, 2), (987, 2), (248, 2))
# 查看数据的情况（最大最小值），和训练本身无关，可不执行
train['Date'].min(), train['Date'].max(), valid['Date'].min(), valid['Date'].max()
(Timestamp('2013-10-08 00:00:00'),
Timestamp('2017-10-06 00:00:00'),
Timestamp('2017-10-09 00:00:00'),
Timestamp('2018-10-08 00:00:00'))
下一步是为验证集创建预测值，并使用真实值来检查RMSE误差。
#make predictions 为验证集创建预测值
preds = []
for i in range(0,248):
a = train['Close'][len(train)-248+i:].sum() + sum(preds)
b = a/248
preds.append(b)
#calculate rmse 计算RMSE误差。
rms=np.sqrt(np.mean(np.power((np.array(valid['Close'])-preds),2)))
rms
104.51415465984348
仅仅检查RMSE并不能帮助我们评估模型预测效果的。让我们通过做图得到更直观的理解。下面是预测值和实际值的曲线图。
#plot 画出训练的数据（绿线）、预测值（蓝线）与训练集的观测值（橙线）
#对于第一行的作用为什么是0不是很理解，如果有知道的大佬麻烦留言处指点迷津
valid['Predictions'] = 0
valid['Predictions'] = preds
plt.plot(train['Close'])
plt.plot(valid[['Close', 'Predictions']])
RMSE值接近105，但是结果不是很理想(从图中可以看出)。预测值与训练集的观测值的范围相同(开始有上升趋势，然后缓慢下降)。