Python金融数据分析与挖掘（微课版） 课件 7-5.沪深300指数走势预测.pptx

第7章基础案例案例介绍指标计算模型求解

案例介绍第7章沪深300指数作为中国股票价格指数的代表，也是中国股指期货的标的指数，对其走势预测具有积极的现实意义与应用价值。今有沪深300指数2014年的交易数据。IndexcdIdxtrd01Idxtrd02Idxtrd03Idxtrd04Idxtrd05Idxtrd060003002014-01-022323.432325.992310.65232190003002014-01-032311.972314.842280.89229050003002014-01-062286.372286.372229.332238.646630040003002014-01-072222.312246.792218.6522384375310003002014-01-082240.642262.582228.42224150003002014-01-092236.972258.892220.8222240003002014-01-102216.522224.492200.22220490003002014-01-1322072222.072183.6219370003002014-01-142192.842214.122179.91221250003002014-01-152210.022215.92193.82208…………………字段依次表示指数代码、交易日期、开盘价、最高价、最低价、收盘价、成交量。

案例介绍第7章计算如下指标：A1（收盘价/均价）：收盘价/过去10个交易日的移动平均收盘价。A2（现量/均量）：成交量/过去10个交易日的移动平均成交量。A3（收益率）：（当日收盘价?前日收盘价）/前日收盘价。A4（最高价/均价）：最高价/过去10个交易日的移动均平均收盘价。A5（最低价/均价）：最低价/过去10个交易日的移动平均收盘价。A6（极差）：最高价?最低价（衡量波动性）。A7（瞬时收益）：收盘价?开盘价。Y（决策变量）：后交易日收盘价?当前交易日收盘价，如果大于0，记为1；如果小于等于0，记为?1。同时对指标A1～A7做标准化处理：（当前值?均值）/标准差，最终得到以下标准的数据结构形式。IDA1A2A3A4A5A6A7Y123……取后30行数据作为测试样本，剩下的数据作为训练样本，分别利用神经网络、支持向量机、逻辑回归模型进行训练及测试，获得对应模型的准确率和预测准确率。

指标计算第7章1．计算特征指标X，即A1～A7importpandasaspdtd=pd.read_excel(index300.xlsx)A1=td[Idxtrd05]/td[Idxtrd05].rolling(10).mean()A2=td[Idxtrd06]/td[Idxtrd06].rolling(10).mean()A3=td[Idxtrd08]A4=td[Idxtrd03]/td[Idxtrd05].rolling(10).mean()A5=td[Idxtrd04]/td[Idxtrd05].rolling(10).mean()A6=td[Idxtrd03]-td[Idxtrd04]A7=td[Idxtrd05]-td[Idxtrd02]X={A1:A1,A2:A2,A3:A3,A4:A4,A5:A5,A6:A6,A7:A7}X=pd.DataFrame(X)X=X.iloc[9:-1,]#注意X从第10行数据开始,至倒数第1行

指标计算第7章2．计算决策变量Y#错位相减,获得指数的涨跌额,即收盘指数序列中的第2个元素至最后一个元素对应减去第1个元素至倒数第1个元素Y=td[Idxtrd05].values[1:]-td[Idxtrd05].values[:-1]#Y与X的下一个交易日对应,故Y的值从第11行数据开始#由于错位相减是从第2行开始的,故指标从第10行开始取Y=Y[9:]#走势标识设置Y[Y0]=1Y[Y=0]=-1#对应的Y值Y=Y.reshape(len(Y),1)

模型求解第7章1．训练样本与测试样本的划分x_train=X.iloc[:len(X)-30,:]Y_train=Y[:len(Y)-30]x_test=X.iloc[len(X)-30:,:]Y_test=Y[len(Y)-30:]2．模型训练与求解#支持向量机模型fromsklearnimportsvmclf=svm.SVC(ker