使用NaiveBayes进行股票涨跌预测
前言
这次我们考虑创建一个朴素贝叶斯分类器来进行股票涨跌预测，我们的分类器会根据某只股票前几日的每日的股票数据（开盘价，最高价，收盘价，最低价，价格变动，涨跌幅）来预测明天的涨跌情况。编程语言：Python3.5.2，Python库：NLTK、tushare。
数据获取
在创建分类器前我们得收集一些历史数据来作为训练集。Python的tushare是一个非常方便的获取股票数据的库，它的api使用起来也非常简单，详情你可以访问它的官网：http://tushare.org/。注意笔者在Python3.5.2上安装tushar库时发现，安装tushare前要先安装pandas、lxml和requests这3个库。如果你不想安装tushare，你可以使用我下载好的数据集猛戳我。
下载好的数据如下所示：
stock_industry.cvs中存储了股票的行业信息，文件详细内容如下：
code为股票代码，name为股票名称，c_name为行业名称
其他每一个文件就是一个股票的详细数据，我只收集了电子信息行业的股票数据，它包含了大概15万条数据。因为我觉得股票涨跌可能和行业也有一定的关系，所以我们只针对某一行业建立模型。股票文件的详细内容如下：
data(日期)，open(开盘价)，high(最高价)，close(收盘价)，low(最低价)，price_change(价格变动)，p_change(涨跌幅百分比)
使用thshare下载股票数据代码如下：
import tushare as ts
def stock_industry_download():
"""
下载股票行业分类数据
"""
df = ts.get_industry_classified()
df.to_csv('../Data/stock_industry.csv')
def stock_industry_load(file_name):
"""
加载股票行业分类信息
:param file_name: 文件名
:return: {'行业名':[('股票代码', '股票名'), ...]}
"""
stock_industry = {}
file = open(file_name)
is_first_line = True
for line in file:
if is_first_line:
is_first_line = False
continue
prop_list = line.split(',')
industry_name = prop_list[3].strip()
if industry_name not in stock_industry:
stock_industry[industry_name] = []
stock_industry[industry_name].append((prop_list[1], prop_list[2]))
file.close()
return stock_industry
def industry_stock_download(name):
"""
下载某一行业的所有股票数据
:param name: 行业名称
"""
industry_data = stock_industry_load('../Data/stock_industry.csv')
for stock in industry_data[name]:
stock_code = stock[0]
stock_name = stock[1]
print(stock_code)
print(stock_name)
df = ts.get_hist_data(stock_code)
df.to_csv('../Data/%s-%s-%s.csv' % (name, stock_code, stock_name))
if __name__ == '__main__':
industry_stock_download('电子信息')
股票数据加载
我们先写一个股票数据加载的函数：
该函数会从股票数据文件中加载我们感兴趣的数据，返回一个数据列表，列表中越新的数据越靠前
def stock_load(file_name):
"""
从指定数据文件中加载股票数据
:param file_name: 文件名
:return: 数据列表[(开盘价, 最高价, 收盘价, 最低价, 价格变动, 涨跌幅)]
"""
stock_list = []
file = open(file_name)
is_first_line = True
for line in file:
if is_first_line:
is_first_line = False
continue
prop_list = line.split(',')
open_price = float(prop_list[1])
high_price = float(prop_list[2])
close_price = float(prop_list[3])
low_price = float(prop_list[4])
price_change = float(prop_list[6])
p_change = int(float(prop_list[7]))
stock_list.append((open_price, high_price, close_price, low_price, price_change, p_change))
file.close()
return stock_list
股票数据切割
上面函数返回的股票数据是按照时间顺序排列的，然而我们需要的是某一天股票涨跌和它前几日的数据，所以我们完成一个切割函数如下：
我们将涨的股票标记为'+'，跌的股票标记为'-'
def stock_split(data_list, days=5):
"""
股票数据分割，将某天涨跌情况和前几天数据关联在一起
:param data_list: 股票数据列表
:param days: 关联的天数
:return: [([day1, day2, ...], label), ...]
"""
stock_days = []
for n in range(0, len(data_list)-days):
before_days = []
for i in range(1, days+1):
before_days.append(data_list[n + i])
if data_list[n][4] > 0.0:
label = '+'
else:
label = '-'
stock_days.append((before_days, label))
return stock_days
股票数据特征提取
原始的数据是不能作为朴素贝叶斯分类器的特征值的，我们完成一个特征提取函数它会从前几日的数据中提取特征值：
每一天的数据中提取7个特征，包括股票是否涨，当天最高值和开盘价收盘价的比较，当天最低值和开盘价收盘价的比较等
def stock_feature(before_days):
"""
股票特征提取
:param before_days: 前几日股票数据
:return: 股票特征
"""
features = {}
for n in range(0, len(before_days)):
stock = before_days[n]
open_price = stock[0]
high_price = stock[1]
close_price = stock[2]
low_price = stock[3]
price_change = stock[4]
p_change = stock[5]
features['Day(%d)PriceIncrease' % (n + 1)] = (price_change > 0.0)
features['Day(%d)High==Open' % (n + 1)] = (high_price == open_price)
features['Day(%d)High==Close' % (n + 1)] = (high_price == close_price)
features['Day(%d)Low==Open' % (n + 1)] = (low_price == open_price)
features['Day(%d)Low==Close' % (n + 1)] = (low_price == close_price)
features['Day(%d)Close>Open' % (n + 1)] = (close_price > open_price)
features['Day(%d)PChange' % (n + 1)] = p_change
return features
训练模型
我们先从股票行业信息文件中加载某一行业的所有股票代码和名称，然后分别加载该行业的每只股票的数据，把数据集分割为训练集和测试集，之后使用贝叶斯分类器进行训练
def train_model(industry_name):
"""
训练模型
:param industry_name: 行业名称
"""
stock_industry = stock_industry_load('./Data/stock_industry.csv')
electronic_stocks = stock_industry[industry_name]
stock_days = []
for stock in electronic_stocks:
file_name = './Data/%s-%s-%s.csv' % (industry_name, stock[0], stock[1])
stock_data = stock_load(file_name)
stock_days += stock_split(stock_data)
print(len(stock_days))
random.shuffle(stock_days)
train_set_size = int(len(stock_days) * 0.6)
train_stock = stock_days[:train_set_size]
test_stock = stock_days[train_set_size:]
train_set = apply_features(stock_feature, train_stock, True)
test_set = apply_features(stock_feature, test_stock, True)
classifier = nltk.NaiveBayesClassifier.train(train_set)
print(nltk.classify.accuracy(classifier, train_set))
print(nltk.classify.accuracy(classifier, test_set))
classifier.show_most_informative_features(20)
if __name__ == '__main__':
train_model('电子信息')
以上代码运行结果为：
151491
0.5528527735604111
0.5484429922273379
Most Informative Features
Day(1)PChange = 10 + : - = 2.2 : 1.0
Day(1)PChange = -10 - : + = 1.8 : 1.0
Day(1)High==Close = True + : - = 1.5 : 1.0
Day(1)PChange = 9 + : - = 1.5 : 1.0
Day(1)PChange = -6 + : - = 1.4 : 1.0
Day(4)PChange = -8 + : - = 1.3 : 1.0
Day(5)PChange = -5 + : - = 1.3 : 1.0
Day(2)PChange = -3 + : - = 1.3 : 1.0
...
在训练集和测试集上我们的准确率分别为55%和54%，只比随机猜测好一点点，说明股票不是那么好预测的，哈哈。另外前一天的涨跌对结果的影响稍微大一点，前一天大涨的话第二天涨的概率会高一点。
后话
股市有风险，入市需谨慎。以上内容仅供娱乐。
还没有人评论...