传统机器学习分类模型预测股价涨跌

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。

---

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64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
仅42.47%的准确率

准确率太低，预测并不准确

---

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
训练集上准确率为77.53%，测试集上准确率为56.25%，相较于支持向量机模型有了一定的提升，但仍然存在很大问题

准确率虽然有了提高但是预测效果仍然不好，并且观察输出的预测结果来看，很多时候都预测会跌，说明分类效果并不是很好

---

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
训练集上准确率为86.52%，测试集上准确率为57.81%，预测的结果相对决策树有了一定优化

稍微提高了一点准确率，召回率的增幅相对较大一些，但还有很大提升空间

---

总结

经过简单的测试，随机森林的效果相对来说最优

之所以准确率偏低的主要原因还是选取的指标太少，想了解需要多少指标、哪些指标更可靠对模型帮助更大，还需要进一步的研究