算法-基于MACD的Adaboost股价涨跌预测模型

   郑重声明：股市有风险，投资需谨慎，利用本模型实盘请自行承担风险

MACD是一个指标，具体用法是MACD>0看涨，反之看跌，果真是这样的吗？由于所有的技术指标都基于对历史数据的统计，指标的滞后性也就难免，有时候MACD明明大于0，股价仍然跌，有时候macd小于0，股价仍然涨。 本文基于Adaboost算法提出了一种基于macd的线性阀值分类器作为若分类器，通过在限定的解空间内寻找使得错误率最小的阀值和偏置，这样做避免了训练若分类器的复杂性，经验证，这种方法有效。

  

    关于什么是adaboost算法，这里还需要简单说一下。算法的核心思想是，用大量的若分类器进行决策，采用一定的方法对若分类器的结果进行加权，从而得出一个具有强分类能力的分类器。值得注意的是，在计算若分类器的错误率e的时候，应该针对每个类别分别计算错误率，多个类别的错误率，这里是两类，涨和跌，分别用1和-1表示。每个类别的错误率同时<0.5，这样的弱分类器才合格。好了闲话少说，一下程序完全是Java写的，并没有做什么优化，先跑出结果再说。

首先我们需要一个弱分类器，定义如下:

package implementation;

import java.util.List;

public /**
 * 你可以根据自己的需要，继承这个类，实现自己的弱分类器，只需要实现两个方法即可
 * @author zhangshiming
 */
abstract class WeakClassifier{
	public static final int RIGHT = 1;
	public static final int WRONG = 0;
	public double weight;//alpha
	public final double calculateErrorPositive(double[][] inputX, double[] inputY, int[] rightOrWrong){
		double errorTimes = 0;//预测错误的次数
		double pnum = 0;
		for(int i = 0; i < inputX.length; i++){
			if(inputY[i] == 1){
				pnum++;
				int res = predict(inputX[i], inputY[i]);
				if(res == WRONG){
					errorTimes++;
				}
				rightOrWrong[i] = res;
			}
		}

		return errorTimes / pnum;//错误率
	}

	public final double calculateErrorNegative(double[][] inputX, double[] inputY, int[] rightOrWrong){
		double errorTimes = 0;//预测错误的次数
		double nnum = 0;
		for(int i = 0; i < inputX.length; i++){
			if(inputY[i] == -1){
				nnum++;
				int res = predict(inputX[i], inputY[i]);
				if(res == WRONG){
					errorTimes++;
				}
				rightOrWrong[i] = res;
			}
			
		}

		return errorTimes / nnum;//错误率
	}
	
	public final double calculateError(double[][] inputX, double[] inputY, int[] rightOrWrong){
		double errorTimes = 0;//预测错误的次数
		for(int i = 0; i < inputX.length; i++){
			int res = predict(inputX[i], inputY[i]);
			if(res == WRONG){
				errorTimes++;
			}
			rightOrWrong[i] = res;
		}

		return errorTimes / inputY.length;//错误率
	}
	public final double calculateIR(double[][] inputX, double[] inputY, int[] rightOrWrong,List<double[]> irlist){
		double sumIr = 0;
		for(int i = 0; i < inputX.length; i++){
			if(inputY[i] > 0 && rightOrWrong[i] == WeakClassifier.RIGHT){
				sumIr += irlist.get(i)[0];
			}
			
			if(inputY[i] < 0 && rightOrWrong[i] == WeakClassifier.WRONG){
				sumIr += irlist.get(i)[0];
			}
		}

		return sumIr;
	}
	
	
	
	//预测正确返回RIGHT,错误返回WRONG
	public final int predict(double[] x, double y){
		double res = predict(x);
		
		//System.out.println(res);s

		if(res == y){
			return RIGHT;
		}else{
			return WRONG;
		}
	}

	public abstract double predict(double[] x);

	public abstract void train(double[][] inputX, double[] inputY, double[] weights);

}

这个弱分类器是个抽象类，由你负责实现训练和预测两个抽象方法。如果你了解训练，那么参数是很容易理解的。

接下来我们继承这个类来实现我们的阀值分类器：