【无标题】

#1．计算特征指标 X ，即A1~A7。示例代码如下：
 import pandas as pd
 td = pd . read _ excel ('index300.xlsx')
A1= td ['Idxtrd05']. values / pd . rolling _ mean ( td ['Idxtrd05']. values ,10)A2-td['ldxtrd06']. values / pd . rolling _ mean ( td ['ldxtrd06']. values ,10)A3= td ['Idxtrd08']. values
A4= td ['Idxtrd03']. values / pd . rolling _ mean ( td ['ldxtrd05']. values ,10)A5= td ['Idxtrd04]. values / pd . rolling _ mean ( td ['ldxtrd05']. values ,10)A6= td ['Idxtrd03']. values - td ['Idxtrd04']. values
A7= td ['Idxtrd05']. values - td ['Idxtrd02']. values
 X =['A1':A1,'A2:A2,'A3':A3,A4:A4,A5":A5,A6':A6,A7":A7) X = pd . DataFrame ( X )
 X = X . iloc [9:-1,]#注意 X 从第10行数据开始，至倒数第1行。
#2．计算决策变量 Y 。示例代码如下：
#错位相减，获得指数的涨跌额，2 to end ，减去1 to end -1 Y = td ['Idxtrd05']. values [1:]- td ['ldxtrd05']. values [:-1]# Y 与 X 的下一个交易日对应，故 Y 的值从第11行数据开始
#由于错位相减的时候是从第2行开始，故指标从第10行开始取
 Y = Y [9:]
#走势标识设置
 Y [ Y >0]=1
 Y [ Y <=0]=-1
#对 Y 值的
 Y = Y . reshape ( len ( Y ),1)
#1．训练样本与测试样本的划分：
 x _ train = X . iloc [: len ( X )-30,:] Y _ train = Y [: len ( Y )-30] x _ test - X . iloc [ len ( X )-30:,:]
 Y _ test = Y [ len ( Y )-30:]
#2．模型训练与求解：
#支持向量机模型
 from sklearn import svm clf = svm . SVC ( kernel =' rbf ') clf . fit ( x _ train , Y _ train )
rv1= clf . score ( x train , Y _ train );
 R - clf . predict ( x _ test )
 R = R . reshape ( len ( R ),1)
 Z = R - Y test
Rs1= len ( Z [ Z ==0])/ Ien ( Z
#．3逻辑模型：
 from sklearn . linear _ model import LogisticRegression as LR
 Ir = LR ()＃创建逻辑回归模型类
 Ir . fit ( x _ train , Y _ train )＃训练数据
rv2= Ir . score ( x _ train , Y _ train );#模型准确率（针对训练数
据）
 R = Ir . predict ( x _ test )
 R = R . reshape ( len ( R ),1)
 Z = R - Y test
Rs2-len( Z [ Z ==0])/ Ien ( Z )
4．神经网络模型：
 from sklearn . neural _ network import MLPClassifier
 cIf = MLPClassifier ( solver =' lbfgs ', alpha =1e-
5, hidden _ layer _ sizes =(5,2), random _ state =1)
 clf . fit ( x _ train , Y _ train );
rv3= clf . score ( x _ train , Y _ train )
 R = clf . predict ( x _ test )
 R = R . reshape ( len ( R ),1)
 Z = R - Y test
Rs3= len ( Z [ Z ==0])/ Ien ( Z )
5．输出：

 print ('支持向量机模型准确率：',rv1) print ('逻辑模型准确率：',rv2) print ('神经网络模型准确率：',rv3) print ('---
---')
 print ('支持向量机模型预测准确率：',Rs1)
 print ('逻辑模型预测准确率：',Rs2) print ('神经网络模型预测准确率：',Rs3)
6．执行结果

支持向量机模型准确率：0.848780487805
逻辑模型准确率：0.570731707317
神经网络模型准确率：0.507317073171
支持向量机模型预测准确率：
0.7666666666666667
逻辑模型预测准确率：
0.7666666666666667
神经网络模型预测准确率：0.8