四十多个指标下传统机器学习分类模型预测股价涨跌

最新推荐文章于 2025-03-17 10:29:21 发布
最新推荐文章于 2025-03-17 10:29:21 发布
阅读量1.6k 收藏 10
点赞数
分类专栏： 量化投资 文章标签： 决策树 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_41782172/article/details/112369364
版权
本文探讨了SVM、决策树和随机森林在40+股市指标下，预测茅台股票涨跌的效能，发现随机森林在测试集上效果最佳，但提升空间有限，暗示需要更高效的学习方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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


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%。
在这里插入图片描述


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%
在这里插入图片描述


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%
在这里插入图片描述


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

Python机器学习实战：使用机器学习预测股票市场走势
AI智能涌现深度研究
09-26 1984
Python机器学习实战：使用机器学习预测股票市场走势 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 股
python随机森林模型简单股票涨跌预测
Wilburzzz的博客
08-19 7323
前言： 学了差不多10多天的入门机器学习，突然发现学好数学是多么的重要，以前上学时还觉得数学只要学会加减乘除就可以了，什么导数，回归方程都没什么用，这段时间真后悔死，看了好多模型原理推导，有好多的数学符号都不认识了，全部还给了老师，改天还得回家找下以前初中高中的数学书看看才行。感觉我一文科生学这些东西真的非常吃力，说不定哪天我秃头了就真的变强了，哈哈哈！n年后秃头的自己看到今天写的这篇文章会是什么样的心情，忍不住想象了下。每次都废话连篇，放出代码如下： import numpy as np import p
svm预测股价 python_python 利用SVM预测股票涨跌
weixin_39836943的博客
12-08 1470
最近接了一个私活，指导学妹完成毕业设计。核心思想就是利用SVM模型来预测股票涨跌，并完成策略构建，自动化选择最优秀的股票进行资产配置。在做这个项目的过程中，我体会到想成为一个合格的数据分析或者数据挖掘工程师不仅技术要过关，还需要了解所要挖掘数据涉及到的领域的相关知识。举个例子，在做数据预处理的时候，不知道超额收益率是怎么个意思，查阅资料才了解，超额收益率是股票行业里的一个专有名词，指大于无风险投资...
传统机器学习分类模型预测股价涨跌
weixin_41782172的博客
01-15 1883
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？ 本文在只考虑5、10、20日移动平均线、移动指数平均线这六项指标的情况下，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 一般来说技术指标越多，还可以结合先筛选有效指标后再带入预测模型 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
基于机器学习的预测模型与数据处理案例分析
最新发布
威哥说编程
03-17 1053
机器学习可以通过训练模型来进行预测。回归模型：用于预测连续值（例如线性回归、决策树回归、支持向量回归等）。分类模型：用于预测离散的类别标签（例如逻辑回归、决策树、随机森林、KNN、SVM等）。集成方法：结合多个模型的预测结果，提高预测准确性（例如随机森林、梯度提升树、XGBoost等）。神经网络：深度学习模型，适用于处理复杂的非线性问题（例如多层感知机、卷积神经网络等）。基于机器学习的预测模型在许多行业中都展现出了强大的能力，尤其是在销售预测、市场分析和生产规划等领域。
python应用（3）svm模型预测股票涨跌
qq_35488688的博客
11-07 1万+
最近接了一个私活，指导学妹完成毕业设计。核心思想就是利用SVM模型来预测股票涨跌，并完成策略构建，自动化选择最优秀的股票进行资产配置。 在做这个项目的过程中，我体会到想成为一个合格的数据分析或者数据挖掘工程师不仅技术要过关，还需要了解所要挖掘数据涉及到的领域的相关知识。举个例子，在做数据预处理的时候，不知道超额收益率是怎么个意思，查阅资料才了解，超额收益率是股票行业里的一个专有名词，指大于无风险投...
svm预测股价 python_小蛇学python（4）利用SVM预测股票涨跌
weixin_39639049的博客
12-17 815
最近接了一个私活，指导学妹完成毕业设计。核心思想就是利用SVM模型来预测股票涨跌，并完成策略构建，自动化选择最优秀的股票进行资产配置。在做这个项目的过程中，我体会到想成为一个合格的数据分析或者数据挖掘工程师不仅技术要过关，还需要了解所要挖掘数据涉及到的领域的相关知识。举个例子，在做数据预处理的时候，不知道超额收益率是怎么个意思，查阅资料才了解，超额收益率是股票行业里的一个专有名词，指大于无风险投资...
python研究股价_用Python预测股票价格变化
weixin_39977136的博客
12-08 570
长短期记忆(英语：Long Short-Term Memory，LSTM)神经网络，是一种时间递归神经网络(RNN)，该网络适合于处理和预测时间序列中间隔和延迟非常长的重要事件，如股票价格预测和水文预报等。第一步 数据获取、可视化与预处理#************************ 导入所需的python库 **********************#import sysimport wa...
基于sklearn模型的机器学习股票预测.zip
02-15
在本项目"基于sklearn模型的机器学习股票预测"中，我们将探讨如何利用人工智能技术，特别是机器学习算法，对股票市场进行预测。项目管理在这个过程中起着至关重要的作用，确保了从数据收集到模型训练、验证和部署的...
基于机器学习的股票预测方法研究(毕设&课设论文参考).docx
09-29
在传统方法中，研究人员主要依赖历史股票数据，使用如分段线性表示、高斯过程分类、随机森林、深度递归神经网络等机器学习算法进行股市趋势预测。这些方法基于历史数据的统计特征和图像特征，尽管运算速度快且数据...
基于机器学习的股票预测方法研究.pdf
09-24
传统机器学习方法在股票市场预测中通常使用历史数据，比如股票的历史价格和交易量等结构化数据。这些方法通常包括线性回归、高斯过程分类、随机森林、深度递归神经网络等。传统模型依赖于对历史数据的统计特征和图像...
python股票量化交易（10）---使用机器学习算法预测股票涨跌
热门推荐
李元静
02-01 2万+
夫血肉之身，尚然有数；义理之身，岂不能格天。太甲曰：天作孽，犹可违；自作孽，不可活。诗云：永言配命，自求多福。孔先生算汝不登科第，不生子者，此天作之孽，犹可得而违；汝今扩充德性，力行善事，多积阴德，此自己所作之福也，安得而不受享乎？易为君子谋，趋吉避凶；若言天命有常，吉何可趋，凶何可避？开章第一义，便说：积善之家，必有余庆。汝信得及否？余信其言，拜而受教。 目录前言随机森林算法搭建股票预测模型预测下一天的股票涨跌参数调优绘制预测与实际涨跌对比图 前言 前面9篇博文对量化交易的各种图形绘制以及计算公式已经.
问DeepSeek通过机器学习预测股票涨跌的几种技术方案
Python_cocola的博客
02-13 3309
为什么写这篇文章呢？最近好几个同学问怎么预测股票涨跌，虽然我之前也写过一个例子，那只是其中一种方式。这里简单汇总下大体思路，虽然自己之前就知道一些方法，但个人觉得不够系统化， 这篇文章大部分借助DeepSeek的回答。还有一个原因，晚上刷了一部短剧， 名叫《消失的数学之神》。里面有个剧情， 2个人通过数学计算预测股票涨跌， 虽然剧情老套，主角前期扮猪吃老虎，后期啪啪打脸嘲讽的人。股票涨跌还是和数学有很大关系。所以，好好学习数学，以后还有炒股的选择可能。
【关于时间序列的ML】项目 2 ：使用机器学习预测股票价格
sikh_0529的博客
12-21 2556
我们需要声明一个输入变量，提及我们想要预测的列。我们需要声明的下一个变量是我们想要预测的距离。在上面的部分中，我通过导入 python 库开始了股票价格预测的任务。在本文中，我将带您完成一个使用机器学习 Python 预测股票价格的简单数据科学项目。如果您将您在股票市场的经验和您的机器学习技能用于股票价格预测任务，这对您来说是一个加分项。上面的函数你可以很容易的理解，因为我已经一步步的讲述了每一行的作用。在本文的最后，您将学习如何通过实现 Python 编程语言使用线性回归模型来预测股票价格。
论文——多指标与机器学习算法相结合的中国县级玉米产量早期预测
weixin_39898815的博客
11-02 2145
Combining multi-indicators with machine-learning algorithms for maize yield early prediction at the county-level in China
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
拓端研究室TRL
12-02 1746
全文下载链接：http://tecdat.cn/?p=20678在本文中，预测股价已经受到了投资者，政府，企业和学者广泛的关注。然而，数据的非线性和非平稳性使得开发预测模型成为一项复杂而具有挑战性的任务（点击文末“阅读原文”获取完整代码数据）。在本文中，我将解释如何将GARCH，EGARCH和GJR-GARCH模型与Monte-Carlo模拟结合使用，以建立有效的预测模型。金融时间序列的...
Python 时间序列建模：用指数平滑法预测股价走势
Python中文社区
10-10 4331
指数平滑方法适用于非平稳数据（即具有趋势和/或季节性的数据），其工作方式类似于指数移动平均线。预测是过去观察的加权平均值。这些模型更加强调最近的观察结果，因为权重随时间呈指数级变小。平滑方...
拓端tecdat|Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
大数据部落
03-02 7586
原文链接：http://tecdat.cn/?p=20666 预测股价已经受到了投资者，政府，企业和学者广泛的关注。然而，数据的非线性和非平稳性使得开发预测模型成为一项复杂而具有挑战性的任务。在本文中，我将解释如何将GARCH，EGARCH和GJR-GARCH模型与Monte-Carlo模拟结合使用，以建立有效的预测模型。金融时间序列的峰度，波动率和杠杆效应特征证明了GARCH的合理性。时间序列的非线性特征用于检查布朗运动并研究时间演化模式。非线性预测和信号分析方法因其在特征提取和分类中.......
是涨是跌？用Python预测股票价格趋势
weixin_38754337的博客
09-18 1930
来源数据：STUDIO，作者：云朵君导读：在本文中我们尝试研究白酒股票市场的数据。使用baostock来获取股票信息，可视化它们的不同，最后将使用一些方法来分析股票的风险。还将通过长期短期...
python机器学习收益涨跌预测代码
04-03
对于涨跌预测，我们可以使用机器学习中的分类算法来实现。下面是一个简单的Python代码示例，使用逻辑回归算法来预测股票收益的涨跌。 首先，我们需要导入必要的库和数据集。在这个例子中，我们使用的是Pandas库中的一个股票数据集。 ```python import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split # 导入数据集 data = pd.read_csv('stock_data.csv') ``` 接下来，我们需要对数据进行预处理，将其转换为适合于训练机器学习模型的形式。在这个例子中，我们将选择一些特征来训练模型，例如前一天的收盘价、开盘价、最高价、最低价等。我们将使用这些特征来预测当天的股票收益的涨跌。 ```python # 选择特征 X = data[['Close', 'Open', 'High', 'Low']] # 将涨跌转换为二进制变量 data['Return'] = data['Return'].apply(lambda x: 1 if x > 0 else 0) y = data['Return'] ``` 接下来，我们将数据集分为训练集和测试集，以便评估模型的准确性。 ```python # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) ``` 现在，我们可以训练逻辑回归模型并进行预测。 ```python # 训练模型 model = LogisticRegression() model.fit(X_train, y_train) # 进行预测 y_pred = model.predict(X_test) ``` 最后，我们可以使用准确率指标来评估模型的准确性。 ```python # 计算准确率 accuracy = model.score(X_test, y_test) print('Accuracy:', accuracy) ``` 完整代码如下： ```python import pandas as pd from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split # 导入数据集 data = pd.read_csv('stock_data.csv') # 选择特征 X = data[['Close', 'Open', 'High', 'Low']] # 将涨跌转换为二进制变量 data['Return'] = data['Return'].apply(lambda x: 1 if x > 0 else 0) y = data['Return'] # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 训练模型 model = LogisticRegression() model.fit(X_train, y_train) # 进行预测 y_pred = model.predict(X_test) # 计算准确率 accuracy = model.score(X_test, y_test) print('Accuracy:', accuracy) ``` 请注意，这只是一个简单的例子，实际情况中可能需要更多的特征和更复杂的算法来预测股票收益的涨跌。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

君名余曰正则

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值