用SVM预测股票涨跌

基于机器学习的股票分析

二、 对股票数据涨跌进行SVM训练和预测

上一次爬取了股票数据并进行标签分类，这次进行SVM分类

import pandas as pd
from sklearn import svm,preprocessing

#获取中国银行历史数据
df_CB=pd.read_csv(r'G:\\Project\\data\\CB.csv',encoding='gbk')
#将日期作为index,顺序排列
df_CB = df_CB.set_index('date')
df_CB = df_CB.sort_index()
#print df_CB.head()
#value表示涨跌
value = pd.Series(df_CB['close']-df_CB['close'].shift(1),\
index=df_CB.index)
value = value.bfill()
value[value>=0]=1
value[value<0]=0
df_CB['Value']=value
#后向填充空缺值
df_CB=df_CB.fillna(method='bfill')
df_CB=df_CB.astype('float64')
#print df_CB.head()

#选取数据的80%作为训练集，20%作为测试集
L=len(df_CB)
train=int(L*0.8)
total_predict_data=L-train

#对样本特征进行归一化处理
df_CB_X=df_CB.drop(['Value'],axis=1)
df_CB_X=preprocessing.scale(df_CB_X)

#开始循环预测，每次向前预测一个值
correct = 0
train_original=train
while train<L:
Data_train=df_CB_X[train-train_original:train]
value_train = value[train-train_original:train]
Data_predict=df_CB_X[train:train+1]
value_real = value[train:train+1]
#核函数分别选取'ploy','linear','rbf'
classifier = svm.SVC(C=1.0, kernel='poly')
#classifier = svm.SVC(kernel='linear')
#classifier = svm.SVC(C=1.0,kernel='rbf')
classifier.fit(Data_train,value_train)
value_predict=classifier.predict(Data_predict)
print("value_real=%d value_predict=%d"%(value_real[0],value_predict))

#计算测试集中的正确率
if(value_real[0]==int(value_predict)):
correct=correct+1
train = train+1

这里会输出value实际值和预测值的对比结果

#输出准确率
correct=correct*100/total_predict_data
print("Correct=%.2f%%"%correct)

Correct=70.00%

经过核函数的选取，当选择linear和rbf时均发生了过拟合（居然测试集到了99%…….），当核函数为多项式时，结果较为可观

下阶段将对股票的日收盘价格进行回归预测