模型预测炒股(建立生产镍的上市公司自己的炒股模型)

关于出资最大的误解之一可能是，只需老到的人才干成功地选择股票。
但是，原始智力能够说是猜测出资成功最不牢靠的要素之一。
巴菲特曾说：“你不需求成为一名火箭科学家。出资不是智商160的人打败智商130的人的游戏。“
跟随巴菲特的出资哲学并不需求天才，但任何人要想一直跑赢商场并回避行为失误，都是适当困难的。
相同重要的是，出资者有必要意识到，底子不存在一套奇特的规矩、一个公式或一个“简单的按钮”能够发生跑赢商场的成果。它不存在，也永久不会存在。
“出资者应该对依据前史的模型持怀疑态度。这些模型由听起来怪怪的人构建，往往看起来令人形象深入。但是，出资者往往忘掉查看模型背面的假定。”
马克·吐温有一句名言：“捉弄他人比让他们信任自己被捉弄了要简单得多。”
坚持一套全体的出资原则是好的，但出资仍然是一门困难的艺术，需求考虑，不应该感到轻松。
所以查理芒格才说：“这并不简单。任何觉得简单的人都是愚笨的。”学了差不多10多天的入门机器学习，忽然发现学好数学是多么的重要，曾经上学时还觉得数学只需学会加减乘除就能够了，什么导数，回归方程都没什么用，这段时刻真懊悔死，看了很多模型原理推导，有很多的数学符号都不认识了，悉数还给了教师，改天还得回家找下曾经初中高中的数学书看看才行。感觉我一文科生学这些东西真的十分费劲，说不定哪天我秃头了就真的变强了，哈哈哈！n年后秃头的自己看到今日写的这篇文章会是什么样的心境，不由得幻想了下。每次都言之无谓，放出代码如下：

import numpy as np

import pandas as pd

import tushare as ts

import matplotlib.pyplot as plt

from pylab import mpl

from datetime import datetime

import talib

from sklearn.ensemble import RandomForestClassifier #分类决策树模型

from sklearn.metrics import accuracy_score #猜测准确度评分函数

import warnings

warnings.filterwarnings("ignore")

#pd.set_option()便是pycharm输出操控显现的设置

pd.set_option('expand_frame_repr', False)#True便是能够换行显现。设置成False的时分不允许换行

pd.set_option('display.max_columns', None)# 显现一切列

#pd.set_option('display.max_rows', None)# 显现一切行

pd.set_option('colheader_justify', 'centre')# 显现居中

pro = ts.pro_api('要到tushare官网注册个账户然后将token复制到这儿')

mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默许字体

mpl.rcParams['axes.unicode_minus'] = False # 处理保存图像是负号'-'显现为方块的问题

#1.数据预备

df = pro.daily(ts_code='002505.SZ', start_date='20200101', end_date='20200818')

df.set_index('trade_date', inplace=True) #设置date列为索引，掩盖本来索引,这个时分索引仍是 object 类型，便是字符串类型。

df.index = pd.DatetimeIndex(df.index) #将object类型转化成 DateIndex 类型，pd.DatetimeIndex 是把某一列进行转化，一起把该列的数据设置为索引 index。

df = df.sort_index(ascending=True) #将时刻次序升序，契合时刻序列

print(df)

df['close-open'] = (df['close']-df['open'])/df['open']

df['high-low'] = (df['high']-df['low'])/df['low']

df['pre_close'] = df['close'].shift(1) #昨日收盘价

df['price_change'] = df['close']-df['pre_close']

df['p_change'] = (df['close']-df['pre_close'])/df['pre_close']*100

df['MA5'] = df['close'].rolling(5).mean()

df['MA10'] = df['close'].rolling(10).mean()

df.dropna(inplace=True)

df['RSI'] = talib.RSI(df['close'], timeperiod=12)

df['MOM'] = talib.MOM(df['close'], timeperiod=5)

df['EMA12'] = talib.EMA(df['close'], timeperiod=12)

df['EMA26'] = talib.EMA(df['close'], timeperiod=26)

df['MACD'], df['MACDsignal'], df['MACDhist'] = talib.MACD(df['close'], fastperiod=12, slowperiod=26, signalperiod=9)

df.dropna(inplace=True)

#2.提取特征变量和方针变量，用当天收盘后获取完好的数据为特征变量，下一天的涨跌状况为方针变量这样来练习分类决策树模型

X = df[['close', 'vol', 'close-open', 'MA5', 'MA10', 'high-low', 'RSI', 'MOM', 'EMA12', 'EMA26', 'MACD', 'MACDsignal', 'MACDhist']]

y = np.where(df['price_change'].shift(-1)>0, 1, -1) #下一天股价涨，赋值1，跌落或平，赋值-1

#3设置练习集跟测验集

X_length = X.shape[0] #获取X的行数和列数，shape[0]为行数

split = int(X_length * 0.8)

X_train, X_test = X[:split], X[split:]

y_train, y_test = y[:split], y[split:]

#4设置模型

model = RandomForestClassifier(max_depth=4, n_estimators=10, min_samples_leaf=5, random_state=1)

model.fit(X_train, y_train)

#5猜测股价涨跌，依据X_test给出的'close', 'vol', 'close-open', 'MA5'等数据进行猜测第二天股价的涨跌状况

y_pred = model.predict(X_test)

#print(y_pred)

a = pd.DataFrame()

a['猜测值'] = list(y_pred)

a['实践值'] = list(y_test)

print(a)

#6猜测归于各个分类的概率

y_pred_proba = model.predict_proba(X_test)

b = pd.DataFrame(y_pred_proba, columns=['分类为-1的概率', '分类为1的概率'])

print(b)

#7全体模型的猜测准确度

from sklearn.metrics import accuracy_score

score = accuracy_score(y_pred, y_test)

print('准确率： ' + str(round(score*100, 2)) + '%')

#8剖析特征变量的特征重要性

features = X.columns

importances = model.feature_importances_

b = pd.DataFrame()

b['特征'] = features

b['特征重要性'] = importances

b = b.sort_values('特征重要性', ascending=False)

print(b)

#参数调优

from sklearn.model_selection import GridSearchCV

parameters = {'n_estimators':[5, 10, 20], 'max_depth':[2, 3, 4, 5], 'min_samples_leaf':[5, 10, 20, 30]}

new_model = RandomForestClassifier(random_state=1)

grid_search = GridSearchCV(new_model, parameters, cv=6, scoring='accuracy')

grid_search.fit(X_train, y_train)

grid_search.best_params_

print('最优模型参数： ' + str(grid_search.best_params_))结语：成果看看就好，别较真。