支持向量机、决策树、随机森林模型预测股价(2)

前言

股票市场风起云涌,只有对股价有良好的预测才能够更好的抓住盈利机会。那么传统的机器学习分类模型在这方面的效果如何呢?

本文考虑了移动平均值、指数移动平均值、DMI、MACD、KDJ、RSI等四十多个指标的情况下,比较了支持向量机、决策树、随机森林三种模型预测股价涨跌的效果

免责声明

此构想和分析中的任何内容均不应解释为投资建议,过去的表现并不一定表示未来的结果。


支持向量机、决策树、随机森林模型预测股价

前言

免责声明

支持向量机

决策树

随机森林

总结



我们统一选择茅台股票(600519)作为研究对象,数据日期范围为2020-01-01到2020-12-30。统一采用最后55天数据作为测试集,最后64天前的数据作为训练集



支持向量机

支持向量机(SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面

为了增加模型的非线性,采用RBF核函数,模型的效果如下

相比前一篇文章只使用六项指标的情况下,从42.47%的准确率提高到了49.9%。


决策树

决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系

定义数的深度为5,模型效果如下

相比上一篇只使用六项指标的情况,总体来看还是有一定提升的

训练集上准确率从 77.53% 大幅提高到了 97.66%

测试集上准确率从 56.25% 提高了一点为 56.36%

但是召回率从 53.53% 提高到了 56.35%


随机森林

随机森林是一个包含多个决策树的分类器, 并且其输出的类别是由个别树输出的类别的众数而定

定义树的深度为5,随机树的数目为10,模型效果如下

相比上一篇只使用六项指标的情况,总体来看还是有一定提升的

训练集上准确率从 86.52% 大幅提高到了 100%

测试集上准确率从 57.81% 提高了一点为 58.18%

但是召回率从 56.76% 提高到了 58.40%



总结

经过简单的测试,随机森林的效果相对来说最优

但是预测效果仍然存在很大的问题,提升效果很微小,说明需要更加合适的机器学习方法


1 view0 comments

A leading day trading platform, specializing in U.S. equity markets with operations worldwide.

CONTACT US:

 

Mon - Fri 9:00 - 17:30 HK

‭+852 55745397

marketing@shewutrade.com

RM06,13A/F, South Tower, World Finance Centre, 17 Canton Road, Tsim Sha Tsui, HK.

Options involve risk and are not suitable for all investors. All investment strategies and investments involve risk of loss. Nothing contained in this website should be construed as investment advice. Any reference to an investment's past or potential performance is not, and should not be construed as, a recommendation or as a guarantee of any specific outcome or profit. Margin borrowing is only for experienced investors with high risk tolerance. You may lose more than your initial investment. Lower investment costs will increase your overall return on investment, but lower costs do not guarantee that your investment will be profitable. Any trading symbols displayed are for illustrative purposes only and are not intended to portray recommendations. Past performance is not necessarily indicative of future results.

  • Facebook
  • LinkedIn
  • Twitter
  • Instagram
  • TikTok
  • YouTube