股票市场分析
在这一节中,我们将使用HMM分析股票数据。这个例子的数据已经打上了时间戳。我们将使用matplotlib包中的数据。数据集包含各个公司整年的股票数据。HMM是生成模型,他能分析时间序列数据以及提取其底层结构。我们将使用这个模型分析变化的股票价格,并输出结果。
创建新的python文档,输入一下代码:
import datetime
import warnings
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.finance import quotes_historical_yahoo_ochl as quotes_yahoo
from hmmlearn.hmm import GaussianHMM
#载入历史股票数据
start =datetime.date(1970,9,4)
end = datetime.date(2016,5,17)
stock_quotes =quotes_yahoo('INTC',start,end)
#提取每天的收盘情况
closing_quotes =np.array([quote[2] for quote in stock_quotes])
volumes =np.array([quote[5] for quote in stock_quotes])[1:]
diff_percentage =100.0*np.diff(closing_quotes)/closing_quotes[:-1]
# 重第二个值开始取日期
dates = np.array([quotes[0] for quote in stock_quotes],dtype=np.int)[1:]
#使用不同的大量值进行训练
training_data = np.column_stack([diff_percentage,volumes])
hmm = GaussianHMM(n_components =7,covariance_type='diag',n_iter=1000)
with warnings.catch_warnings():
warnings.simplefilter('ignore')
hmm.fit(training_data)
#使用HMM生成数据
num_samples =300
samples ,_=hmm.sample(num_samples)
#画出生成的数据
plt.figure()
plt.title('difference percentage')
plt.plot(np.arange(num_samples),samples[:,0],c='black')
#画出交易数据
plt.figure()
plt.title('Volume of shares')
plt.plot(np.arange(num_samples),samples[:,1],c='black')
plt.show()
运行结果如下: