2022年，教你用Python預(yù)測(cè)茅臺(tái)股票漲跌
作者：賺小錢錢養(yǎng)家糊口
邏輯回歸在訓(xùn)練集里面的準(zhǔn)確率是54.39%，與書里KNN的準(zhǔn)確率基本持平;但是測(cè)試集里只有51.37%，比書里的KNN模型低了差不多3個(gè)百分點(diǎn)。折騰了一圈，結(jié)果并不滿意。按說邏輯回歸在分類任務(wù)上的表現(xiàn)，應(yīng)該優(yōu)于KNN才對(duì)啊。難道是本仙的數(shù)據(jù)噪音太大了?還是說其實(shí)這種預(yù)測(cè)本身意義就不大呢?
本文摘自清華大學(xué)出版《深入淺出Python量化交易實(shí)戰(zhàn)》一書的讀書筆記，這里把作者用KNN模式做的交易策略，換成了邏輯回歸模型，試試看策略的業(yè)績(jī)會(huì)有怎樣的變化。
二話不說，上梯子，導(dǎo)庫拉數(shù)據(jù)：
import pandas as pd
import pandas_datareader.data as web
import numpy as np
from datetime import datetime
數(shù)據(jù)甭多了，來個(gè)3年的：
end = datetime.date.today()
start = end - datetime.timedelta(days = 365*3)
我大A股，最牛X的股票，要說是茅臺(tái)，沒人反對(duì)吧?那咱搞茅臺(tái)的行情數(shù)據(jù)：
cowB = web.DataReader('600519.ss', 'yahoo', start, end)
cowB.head()
拉下來本仙就驚了，2019年1月的時(shí)候，大茅臺(tái)才600多塊錢啊!不過估計(jì)當(dāng)時(shí)讓本仙買，本仙也不敢。那時(shí)候我大A股過百的股票也沒多少吧!
然后我按照書里的方法，做下特征工程：
cowB['open-close'] = cowB['Open'] - cowB ['Close']
cowB ['high-low'] = cowB ['High'] - cowB ['Low']
cowB ['target'] = np.where(cowB['Close'].shift(-1) >
cowB['Close'],1,-1)
cowB = cowB.dropna()
cowB.tail()
然后就多了幾列，target里面，1表示次日上漲，-1表示次日下跌：
下面要搞模型了：
x = cowB [['open-close','high-low']]
y = cowB ['target']
拆成x和y，然后請(qǐng)出scikit-learn：
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
然后把數(shù)據(jù)集拆分成訓(xùn)練集和測(cè)試集：
x_train, x_test, y_train, y_test = train_test_split(x, y, train_size =
0.8)
看看邏輯回歸表現(xiàn)如何：
lr = LogisticRegression()
lr.fit(x_train, y_train)
print(lr.score(x_train, y_train))
print(lr.score(x_test, y_test))
結(jié)果發(fā)現(xiàn)，還沒有書里KNN的分?jǐn)?shù)高：
0.5438898450946644
0.5136986301369864
邏輯回歸在訓(xùn)練集里面的準(zhǔn)確率是54.39%，與書里KNN的準(zhǔn)確率基本持平;但是測(cè)試集里只有51.37%，比書里的KNN模型低了差不多3個(gè)百分點(diǎn)。
折騰了一圈，結(jié)果并不滿意。按說邏輯回歸在分類任務(wù)上的表現(xiàn)，應(yīng)該優(yōu)于KNN才對(duì)啊。難道是本仙的數(shù)據(jù)噪音太大了?還是說其實(shí)這種預(yù)測(cè)本身意義就不大呢?
責(zé)任編輯：未麗燕
來源：
今日頭條
