Python金融数据分析与挖掘（微课版） 课件 9-2.预测模型构建与结果分析.pptx

第9章股票价格涨跌趋势预测训练集和测试集的划分、数据标准化处理和模型求解预测结果分析

训练集和测试集的划分第9章以2017年1月1日—2017年11月31日之间的数据作为训练集，余下的数据（2017年12月1日—2017年12月31日，周期为1个月）为测试集，进行分类预测建模。x1=Data[交易日期]=2017-01-01x2=Data[交易日期]=2017-11-30xx=x1x2index=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]]部分结果

数据标准化处理第9章#数据标准化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．支持向量机模型fromsklearnimportsvmclf=svm.SVC()clf.fit(x_train,y_train)result=clf.predict(x_test)sc=clf.score(x_train,y_train)2．神经网络模型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．逻辑回归模型fromsklearn.linear_modelimportLogisticRegressionasLRclf=LR()clf.fit(x_train,y_train)result=clf.predict(x_test)sc=clf.score(x_train,y_train)

预测结果分析第9章result=pd.DataFrame(result)#提取预测样本的交易日期ff=Data.iloc[index1,0]#将预测结果与实际结果整合在一起,进行比较pm1={交易日期:ff.values,预测结果:result.iloc[:,0].values,实际结果:y_test.iloc[:,0].values}result1=pd.DataFrame(pm1)z=result1[预测结果].values-result1[实际结果].valuesR=len(z[z==0])/len(z)模型准确率sc=0.7450980392156863预测准确率R=0.7142857142857143这里以逻辑回归为例进行说明。部分结果

预测结果分析第9章根据模型的预测情况设计一个投资策略，即如果预测结果为1，表示下一个交易日股票价格会上涨，则以当天的收盘价买入，下一个交易日的收盘价卖出，从而获得投资收益率r_list=[]#存放收益率r_trd=[]#存放交易日期fortinrange(len(result1)-1):#如果预测结果为1,执行投资策略ifresult1[预测结果].values[t]==1:p1=data.loc[data[Trddt].values==result1[交易日期].values[t],Clsprc].valuesdt=data.loc[data[Trddt].valuesresult1[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)

预测结果分析第9章根据模型的预测情况设计一个投资策略