【机器学习方法研究】——思路整理、支持向量机
2017-10-06 19:05
246 查看
机器学习方法可以分为以下几个类别:
1.监督学习:
训练的输出分类是预先设定好的,根据输入和输出,算法的目标在于寻找其中的对应函数。
2.无监督学习:
训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构,如聚类分析。
3.半监督学习:
介于监督学习和无监督学习之间。
4.增强学习:
算法通过执行一系列的动作,影响环境中的可观察变量,从而得到环境对动作反应的规律。最后根据这个规律,判断该采取何种行动以最大化 某种回报。监督式学习是机器学习的一个分支,可以通过训练样本而建立起一个输入和输出之间的函数,并以此对新的事件进行预测。
典型的监督学习流程如下:
支持向量机
是监督学习中一种常用的学习方法。支持向量机( Support Vector Machines SVM )是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险,应同时最小化经验风险和置信范围)。具体就不详细介绍了,百度有很多资料。
http://scikit-learn.org/stable/modules/svm.html#svm 中是SVM函数和简单介绍。
from sklearn.svm import SVR 可以构造支持向量回归(Support Vector Regression)模型
from sklearn.svm import SVC 可以用于分类(Support Vector Classification)
首先来看支持向量回归(Support Vector Regression)模型如何使用,下面是官网的一个简单例子。
http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html#example-svm-plot-svm-regression-pyIn [1]:
import numpy as np from sklearn.svm import SVR import matplotlib.pyplot as plt import time # 产生数据 X = np.sort(5 * np.random.rand(40, 1), axis=0) y = np.sin(X).ravel() # 添加噪声 y[::5] += 3 * (0.5 - np.random.rand(8)) # 拟合回归模型,不同的核函数 svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1) svr_lin = SVR(kernel='linear', C=1e3) svr_poly = SVR(kernel='poly', C=1e3, degree=2) y_rbf = svr_rbf.fit(X, y).predict(X) y_lin = svr_lin.fit(X, y).predict(X) y_poly = svr_poly.fit(X, y).predict(X) # 画图展示结果 plt.scatter(X, y, c='k', label='data') plt.plot(X, y_rbf, c='g', label='RBF model') plt.plot(X, y_lin, c='r', label='Linear model') plt.plot(X, y_poly, c='b', label='Polynomial model') plt.xlabel('data') plt.ylabel('target') plt.title('Support Vector Regression') plt.legend() plt.show()
从回归的角度,我们可以根据之前的历史数据,预测下一个时间点的股价;分类的角度,我们可以根据历史数据,预测下一个时间点股价的正负。下面对股票数据进行回归建模
In [10]:df.index
Out[10]:
DatetimeIndex(['2015-01-05', '2015-01-06', '2015-01-07', '2015-01-08', '2015-01-09', '2015-01-12', '2015-01-13', '2015-01-14', '2015-01-15', '2015-01-16', ... '2016-01-29', '2016-02-01', '2016-02-02', '2016-02-03', '2016-02-04', '2016-02-05', '2016-02-15', '2016-02-16', '2016-02-17', '2016-02-18'], dtype='datetime64[ns]', length=273, freq=None, tz=None)
In [13]:
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
import time
start_date = '2015-01-01'
df = get_price('000423.XSHE', fields='price', start_date=start_date,
end_date=time.strftime('%Y-%m-%d', time.localtime()))
X = mat(range(1,len(df['price'].values)+1)).T
y = df['price'].values
# 拟合回归模型
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
# 注意这里对数据建模完了还是预测的该数据
y_rbf = svr_rbf.fit(X, y).predict(X)
# 画图展示结果
_, ax = plt.subplots(figsize = [18,8])
dates = df.indexax.scatter(X, y, c='k', label='data')
ax.plot(X,y_rbf, c='g', label='RBF model')
ticks = ax.get_xticks()
ax.set_xticklabels([dates[i].date() for i in ticks[:-1]])
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()
那么如何在策略中使用呢?一个暴力的方法就是预测未来股价,如果涨了就买入,跌了就卖出。使用SVR进行回归预测,需要预测中未来股价,那么学习这种非平稳、噪声的股价序列难度是很大的。
下面是个人想法,作为引子,欢迎大家一起讨论
特征选择
查阅文献发现有各种因子应用到其中,基本面因子:PE,PB,ROE等
技术指标因子:RSI、KDJ、MA、MACD等
蜡烛图形态因子:三乌鸦、锤子线等
输出辨识
涨跌分类未来一段时间收益率
还有一类用法是利用非监督学习甚至深度学习找到特征
比如找到大涨的股票,然后看大涨前一段时间的形态有没有相似的,利用非监督学习的方法统计套利方法是看股价的相关性,比如A和B两只股票价差一向稳定在10块钱,某天价差突然跌倒5块钱,统计套利就假设,这个价差会恢复到10块钱,那么我们就可以就此设计交易策略。如果股价价差真的恢复了,那么就可以实现套利。但是显然,这样的关系可能不是那么明显地存在于股票的价格中,可能存在于收益曲线中或者方差曲线中,甚至更高复杂度的统计量中。DL提供了将原数据投影到另一个特征空间中的方法,而且是高度非线性的。那么,原数据中没有体现出来的相关性,会不会在这种高度非线性的投影空间中体现出来呢
相关文章推荐
- GAN框架研究与思路整理
- 深度学习结合SLAM的研究思路/成果整理之(二)语义SLAM & 端到端
- 我对跨领域推荐的研究思路整理
- 最近仔细研究了一下Java的NIO以及线程并发,搞清了点思路,特作笔记如下(NIO篇)
- 汇编学习——整理思路
- SVM-支持向量机学习(4):再谈线性SVM-正则化合页损失函数
- SVM-支持向量机学习(7):求解SVM算法-SMO-序列最小最优化
- Android 4.4 双显示屏支持实现思路(双屏异显)
- 微软更新AirSim,支持自动驾驶汽车研究
- 服装ERP研究(九):DRP项目结束后如何配置支持小组
- ALS思路+代码(全) (待整理)
- SpringMVC同时支持多视图(JSP,Velocity,Freemarker等)的一种思路实现
- [整理]让winCE支持中文界面(可切换至英文界面)
- 解决jquery1.9不支持browser对象的问题 (原创与转载综合整理)
- 支持向量机——sklearn 实现支持向量机(SVM)
- 从数据库到NoSQL思路整理
- [机器学习入门] 李宏毅机器学习笔记-26(Structured Support Vector Machine part 1;结构化支持向量机part 1)
- 中文分词、支持向量机代码实现
- 整理一下最近的研究
- 飞行棋思路整理