Python金融數(shù)據(jù)分析與挖掘（微課版） 課件 9-2.預(yù)測模型構(gòu)建與結(jié)果分析

第9章

股票價格漲跌趨勢預(yù)測訓(xùn)練集和測試集的劃分、數(shù)據(jù)標(biāo)準(zhǔn)化處理和模型求解預(yù)測結(jié)果分析訓(xùn)練集和測試集的劃分第9章

以2017年1月1日—2017年11月31日之間的數(shù)據(jù)作為訓(xùn)練集，余下的數(shù)據(jù)（2017年12月1日—2017年12月31日，周期為1個月）為測試集，進(jìn)行分類預(yù)測建模。x1=Data['交易日期']>='2017-01-01'x2=Data['交易日期']<='2017-11-30'xx=x1&x2index=xx.values==Trueindex1=xx.values==Falsex_train=Data.iloc[index,1:15]y_train=Data.iloc[index,[15]]x_test=Data.iloc[index1,1:15]y_test=Data.iloc[index1,[15]]部分結(jié)果數(shù)據(jù)標(biāo)準(zhǔn)化處理第9章

#數(shù)據(jù)標(biāo)準(zhǔn)化fromsklearn.preprocessingimportStandardScalerscaler=StandardScaler()scaler.fit(x_train)x_train=scaler.transform(x_train)x_test=scaler.transform(x_test)模型求解第9章

1．支持向量機(jī)模型fromsklearnimportsvmclf=svm.SVC()clf.fit(x_train,y_train)result=clf.predict(x_test)sc=clf.score(x_train,y_train)2．神經(jīng)網(wǎng)絡(luò)模型fromsklearn.neural_networkimportMLPClassifierclf=MLPClassifier(solver='lbfgs',alpha=1e-5,hidden_layer_sizes=8,random_state=1)clf.fit(x_train,y_train)result=clf.predict(x_test)sc=clf.score(x_train,y_train)3．邏輯回歸模型fromsklearn.linear_modelimportLogisticRegressionasLRclf=LR()clf.fit(x_train,y_train)result=clf.predict(x_test)sc=clf.score(x_train,y_train)預(yù)測結(jié)果分析第9章

result=pd.DataFrame(result)#提取預(yù)測樣本的交易日期ff=Data.iloc[index1,0]#將預(yù)測結(jié)果與實際結(jié)果整合在一起,進(jìn)行比較pm1={'交易日期':ff.values,'預(yù)測結(jié)果':result.iloc[:,0].values,'實際結(jié)果':y_test.iloc[:,0].values}result1=pd.DataFrame(pm1)z=result1['預(yù)測結(jié)果'].values-result1['實際結(jié)果'].valuesR=len(z[z==0])/len(z)模型準(zhǔn)確率sc=0.7450980392156863預(yù)測準(zhǔn)確率R=0.7142857142857143這里以邏輯回歸為例進(jìn)行說明。部分結(jié)果預(yù)測結(jié)果分析第9章

根據(jù)模型的預(yù)測情況設(shè)計一個投資策略，即如果預(yù)測結(jié)果為1，表示下一個交易日股票價格會上漲，則以當(dāng)天的收盤價買入，下一個交易日的收盤價賣出，從而獲得投資收益率r_list=[]#存放收益率r_trd=[]#存放交易日期fortinrange(len(result1)-1):#如果預(yù)測結(jié)果為1,執(zhí)行投資策略ifresult1['預(yù)測結(jié)果'].values[t]==1:p1=data.loc[data['Trddt'].values==result1['交易日期'].values[t],'Clsprc'].valuesdt=data.loc[data['Trddt'].values>result1['交易日期'].values[t],['Trddt','Clsprc']]dt=dt.sort_values('Trddt')p2=dt['Clsprc'].values[0]r=(p2-p1)/p1r_list.append(r)r_trd.append(result1['交易日期'].values[t])r_total=sum(r_list)trd_r={'交易日期':r_trd,'收益率':r_list}trd_r=pd.DataFrame(trd_r)預(yù)測結(jié)果分析第9章

根據(jù)模型的預(yù)測情況設(shè)計一個投資策略，即如果預(yù)測結(jié)果為1，表示下一個交易日股票價格會上漲，則以當(dāng)天的收盤價買入，下一個交易日