打造属于自己的量化投资系统9——支持向量机SVM算法在股票预测涨跌中应用

1.支持向量机即SVM原理

支持向量机即SVM(Support Vector Machine) ，是一种监督学习算法，属于分类的范畴。它的原理就是求出“保证距离最近的点，距离它们最远的线”。例如图中要能划分出蓝色和红色球，并且最近的蓝色与和红色要距离线最远。

2.支持向量机算法

寻找最大分类间距
转而通过拉格朗日函数求优化的问题
数据可以通过画一条直线就可以将它们完全分开，这组数据叫线性可分(linearly separable)数据，而这条分隔直线称为分隔超平面(separating hyperplane)。如果数据集上升到1024维呢？那么需要1023维来分隔数据集，也就说需要N-1维的对象来分隔，这个对象叫做超平面(hyperlane)，也就是分类的决策边界。

3.svm的应用

策略：利用sma、wma、mom指标、收盘价来训练svm，其中今天收盘价大于昨天收盘价买入股票，否则卖出股票。

以下案例是svm在股票预测中的应用。下面程序只是一个核心的demo，后续内容会在这demo中进行扩展。

# -*- coding: utf-8 -*-
"""
Created on Tue May 19 19:06:26 2020

@author: 觉醒2020
"""

import csv
import talib
import numpy as np


from sklearn import svm

"""
基于SVM的机器学习策略
步骤：
1.数据采集
2.训练
3.预测
"""


#数据采集
class FileManager():
    
    def readInfo(fieldOption):
        info=[]
        datapath=".\\datas\\test\\000001.XSHE"
        with open(datapath, 'r') as f:
           reader = csv.reader(f)
           i=0
           for r in reader:
               if i>0 :
                   info.append(r[fieldOption])
               i=i+1
        return info


# SVM训练分类器
def SVM_train():
    print("开始训练")
    close_price = FileManager.readInfo(2)
    
    x_train = []  # 特征
    y_train = []  # 标记

    np_close_price=np.array(close_price,dtype='f8')
    sma_data=talib.SMA(np_close_price,15)
    wma_data=talib.WMA(np_close_price,15)
    mom_data=talib.MOM(np_close_price,15)
    
    
    #例如：训练前30天以前的数据
    for i in range(-31,-len(sma_data)+30,-1):
            
        sma_data_tmp=sma_data[i]
        wma_data_tmp=wma_data[i]
        mom_data_tmp=mom_data[i]
        
        features = []
        features.append(sma_data_tmp)
        features.append(wma_data_tmp)
        features.append(mom_data_tmp)
        
        label = False  # 标记为跌(False)
        if np_close_price[-i] > np_close_price[-i-1]:
            label=True
        
        x_train.append(features)
        y_train.append(label)
        
    svm_module = svm.SVC()
    svm_module.fit(x_train, y_train)  # 训练分类器
    
    print("训练结束")
    return svm_module
    
#利用svm进行股票交易
def svm_trade():
    
    close_price = FileManager.readInfo(2)

    np_close_price=np.array(close_price,dtype='f8')
    sma_data=talib.SMA(np_close_price,15)
    wma_data=talib.WMA(np_close_price,15)
    mom_data=talib.MOM(np_close_price,15)
    
    svm_module=SVM_train()
    for i in range(-1,-30,-1):
        sma_data_tmp=sma_data[i]
        wma_data_tmp=wma_data[i]
        mom_data_tmp=mom_data[i]
        
        features = []
        x = []
        features.append(sma_data_tmp)
        features.append(wma_data_tmp)
        features.append(mom_data_tmp)
        x.append(features)
        
        flag = svm_module.predict(x)  # 预测的涨跌结果
        
        if bool(flag):
            print('买入=',flag)
        else:
            print('卖出=',flag)
        

if  __name__=='__main__':
    svm_trade()