摘要：作者，數(shù)據(jù)游戲優(yōu)勝隊(duì)伍成員前陣子報(bào)名參加了數(shù)據(jù)游戲比賽，題目是預(yù)測(cè)月號(hào)星期三招商銀行的股價(jià)，截止時(shí)間是在月號(hào)星期天。

作者：Max，「數(shù)據(jù)游戲」優(yōu)勝隊(duì)伍成員

前陣子報(bào)名參加了「數(shù)據(jù)游戲」比賽，題目是預(yù)測(cè)5月15號(hào)（星期三）招商銀行的股價(jià)，截止時(shí)間是在5月12號(hào)（星期天）。在本次預(yù)測(cè)中，我用到的是嶺回歸。

嶺回歸是回歸的一種，它解決回歸中重大疑難問題：排除多重共線性，進(jìn)行變量的選擇，在存在共線性問題和病態(tài)數(shù)據(jù)偏多的研究中有較大的實(shí)用價(jià)值。按照度娘百科的解釋：嶺回歸是一種專用于共線性數(shù)據(jù)分析的有偏估計(jì)回歸方法，實(shí)質(zhì)上是一種改良的最小二乘估計(jì)法，通過放棄最小二乘法的無偏性，以損失部分信息、降低精度為代價(jià)獲得回歸系數(shù)更為符合實(shí)際、更可靠的回歸方法，對(duì)病態(tài)數(shù)據(jù)的擬合要強(qiáng)于最小二乘法。

多重共線性指線性回歸模型中的解釋變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計(jì)失真或難以估計(jì)準(zhǔn)確。

由于嶺回歸涉及的數(shù)學(xué)知識(shí)比較復(fù)雜，且文章篇幅有限，這里不過多展開。

本次數(shù)據(jù)是通過 Tushare 的 get_hist_data() 獲取的。Tushare 是一個(gè)免費(fèi)、開源的 python 財(cái)經(jīng)數(shù)據(jù)接口包。python 安裝 tushare 直接通過 pip install tushare 即可安裝。

import tushare as ts
data = ts.get_hist_data("600848")

運(yùn)行之后可以查看它的前后幾行數(shù)據(jù)。按照 tushare 官方的說明，get_hist_data() 只能獲取近3年的日線數(shù)據(jù)，而他的返回值的說明是這樣的：

date：日期；

open：開盤價(jià)；

high：最高價(jià)；

close：收盤價(jià)；

low：最低價(jià)；

volume：成交量；

price_change：價(jià)格變動(dòng)；

p_change：漲跌幅；

ma5：5日均價(jià)；

ma10：10日均價(jià)；

ma20:20日均價(jià)；

v_ma5:5日均量；

v_ma10:10日均量；

v_ma20:20日均量

均價(jià)的意思大概就是股票 n 天的成交價(jià)格或指數(shù)的平均值。均量則跟成交量有關(guān)。至于其他的返回值，應(yīng)該是一下子就能明白的吧。在獲得數(shù)據(jù)之后，我們查看一下描述性統(tǒng)計(jì)，通過data.describe()查看是否存在什么異常值或者缺失值。

這樣看來似乎除了由于周末以及節(jié)假日不開盤導(dǎo)致的當(dāng)天的數(shù)據(jù)缺失以外，并沒有其他的缺失和異常。但是這里我們不考慮節(jié)假日的缺失值。

由于獲取的數(shù)據(jù)是按日期降序排序，但本次預(yù)測(cè)跟時(shí)間序列有關(guān)，因此我們需要把順序轉(zhuǎn)一下，讓它按照日期升序排序。

data1 = data[::-1]

處理完順序之后，我們要做一下特征值的選擇。由于 volume 以及均量的值很大，如果不進(jìn)行處理的話，很可能對(duì)整體的預(yù)測(cè)造成不良影響。由于時(shí)間有限，而且考慮到運(yùn)算的復(fù)雜度，這里我沒有對(duì)這些特征進(jìn)行處理，而是直接將它們?nèi)サ袅?。至于均價(jià)，我是按照自己的理解，和10日均價(jià)、20日均價(jià)相比，5日均價(jià)的范圍沒那么大，對(duì)近期的預(yù)測(cè)會(huì)比另外兩個(gè)要好，因此保留5日均價(jià)。接著，我用 sklearn.model_selection 的 cross_val_score，分別查看除 "open", "close", "high", "low", "ma5" 以外的其他剩余屬性對(duì)預(yù)測(cè)值的影響。發(fā)現(xiàn) 、 "p_change"、"price_change"這兩個(gè)屬性對(duì)預(yù)測(cè)結(jié)果的影響不大，為了節(jié)省內(nèi)存，增加運(yùn)算速度，提高預(yù)測(cè)的準(zhǔn)確性，也直接把它們?nèi)サ袅恕Ｍ炅酥?，查看前后三行?shù)據(jù)。

data1 = data1[["open","high","low","ma5","close"]]
data1.head(3), data1.tail(3)

由于提交截止日期是周日，預(yù)測(cè)的是周三，因此需要先對(duì)周一周二的信息進(jìn)行預(yù)測(cè)。在這里我突然想到一個(gè)問題，是用前一天的所有數(shù)據(jù)來訓(xùn)練模型以預(yù)測(cè)當(dāng)天的 close 比較準(zhǔn)確，還是用當(dāng)天除了 close 以外的其他數(shù)據(jù)來訓(xùn)練模型以訓(xùn)練當(dāng)天的 close 比較準(zhǔn)呢？為了驗(yàn)證這個(gè)問題，我分別對(duì)這兩種方法做了實(shí)驗(yàn)。

為了減少代碼量，定義了一個(gè)函數(shù)用以評(píng)估模型的錯(cuò)誤率。

def get_score(X_train, y_train):
    ridge_score = np.sqrt(-cross_val_score(ridge, X_train, y_train, cv=10, scoring="neg_mean_squared_error"))
    return np.mean(ridge_score)

用前一天的所有數(shù)據(jù)來當(dāng)訓(xùn)練集

y_train = data1["close"].values[1:]
X_train = data1.values[:-1]
score = get_score(X_train, y_train)

輸出結(jié)果大約為0.469，這個(gè)錯(cuò)誤率就比較大了，不太合理，更何況還要預(yù)測(cè)其他特征值作為測(cè)試數(shù)據(jù)。

用當(dāng)天除了 close 以外的其他數(shù)據(jù)來當(dāng)訓(xùn)練集

data2 = data1[:]
y_train = data2.pop("close").values
X_train = data2.values
score = get_score(X_train, y_train)

輸出結(jié)果大約為0.183，跟第一個(gè)相比簡(jiǎn)直好多了。所以，就決定是你了！

接下來建模并把模型保存下來：

y_train = data1["close"]
X_train = data1[["open", "high", "low", "ma5"]]
close_model = ridge.fit(X_train, y_train)
joblib.dump(ridge, "close_model.m")

在預(yù)測(cè)之前呢，我們先拿訓(xùn)練集的后8組數(shù)據(jù)做一下測(cè)試，做個(gè)圖看看：

scores = []
for x in X_train[-8:]:
    score = close_model.predict(np.array(x).reshape(1, -1))
    scores.append(score)
x = np.arange(8)
fig, axes = plt.subplots(1, 1, figsize=(13, 6))
axes.plot(scores)
axes.plot(y_train[-8:])
plt.xticks(x, data1.index[-8:].values, size=13, rotation=0)

看到這樣子我還是相對(duì)比較放心的，不過，這個(gè)模型的訓(xùn)練值除了 close 以外的屬性都是已知的，要預(yù)測(cè)三天后的還得預(yù)測(cè)前兩天的測(cè)試值。

def get_model(s):
    y_train = data1[s].values[1:]
    X_train = data1.values[:-1]
    model = ridge.fit(X_train, y_train)
    return model
def get_results(X_test):
    attrs = ["open", "high", "low", "ma5"]
    results = []
    for attr in attrs:
        result = get_model(attr).predict(X_test)
        results.append(result)
    return results

接下來預(yù)測(cè)三天的股價(jià)：

X_test = data1[-1:].values
for i in range(3):
    results = get_results(X_test)
    close = close_model.predict(np.array(results).reshape(1, -1))
    print(close)
    results.append(close)
    X_test = np.array(results).reshape(1, -1)
print("5月15日招商銀行關(guān)盤時(shí)的股價(jià)為：" + str(round(close[0], 2)))

輸出結(jié)果為：

[33.46370029]
[33.4532047]
[33.43836721]

5月15日招商銀行關(guān)盤時(shí)的股價(jià)為：33.44

雖然預(yù)測(cè)結(jié)果是這樣子，但感覺這樣預(yù)測(cè)似乎很菜啊。畢竟預(yù)測(cè)的每個(gè)值都會(huì)有偏差，多個(gè)偏差累加起來就很多了，這讓我有點(diǎn)害怕。不知道存不存在不預(yù)測(cè)其他值直接預(yù)測(cè)close的方法，或者說直接預(yù)測(cè)5月15號(hào)的而不用先預(yù)測(cè)13、14號(hào)的方法。雖然我知道有種算法是時(shí)間序列算法，但不是很懂。希望哪位大神看了能給我一些建議，指點(diǎn)迷津。

對(duì)于一個(gè)自學(xué)數(shù)據(jù)分析的在校學(xué)生，苦于沒有項(xiàng)目經(jīng)驗(yàn)，正好趕上這次的「數(shù)據(jù)游戲」，能利用此次機(jī)會(huì)操作一波真的很不錯(cuò)。既能學(xué)到東西，獲勝的話還能得到獎(jiǎng)品。

學(xué)習(xí)更多數(shù)據(jù)科學(xué)知識(shí)請(qǐng)關(guān)注微信公眾號(hào)：read_csv

參與數(shù)據(jù)科學(xué)活動(dòng)請(qǐng)加 QQ 群：759677734