|
大數(shù)據(jù)文摘作品 編譯：小明同學(xué)君、吳雙,、Yawei xia 新年總是跟黃金密不可分,。新年第一天，讓我們嘗試用python搭建一個(gè)機(jī)器學(xué)習(xí)線性回歸模型,，預(yù)測(cè)金價(jià),！ 自古以來(lái)，黃金一直作為貨幣而存在,，就是在今天,，黃金也具有非常高的儲(chǔ)藏價(jià)值，那么有沒有可能預(yù)測(cè)出黃金價(jià)格的變化趨勢(shì)呢,？ 答案是肯定的,，讓我們使用機(jī)器學(xué)習(xí)中的回歸算法來(lái)預(yù)測(cè)世界上貴重金屬之一,黃金的價(jià)格吧。 我們將建立一個(gè)機(jī)器學(xué)習(xí)線性回歸模型,，它將從黃金ETF (GLD)的歷史價(jià)格中獲取信息,，并返回黃金ETF價(jià)格在第二天的預(yù)測(cè)值。 GLD 是最大的以黃金進(jìn)行直接投資的ETF交易基金,。 （詳見：http://www./GLD） 在python的開發(fā)環(huán)境下用機(jī)器學(xué)習(xí)預(yù)測(cè)黃金價(jià)格的步驟：
導(dǎo)入Python庫(kù)并讀取黃金 ETF 的數(shù)據(jù) 首先:導(dǎo)入實(shí)現(xiàn)此策略所需的所有必要的庫(kù)（LinearRegression,，pandas，numpy,，matplotlib,，seaborn和fix_yahoo_finance) # LinearRegression is a machine learning library for linear regression 然后我們讀取過(guò)去10年間每天黃金ETF的價(jià)格數(shù)據(jù)，并將數(shù)據(jù)儲(chǔ)存在Df中。我們移除那些不相關(guān)的變量并使用dropna函數(shù)刪除NaN值,。然后我們繪制出黃金ETF的收盤價(jià)格,。 # Read data 輸出 定義解釋變量 解釋變量是被用來(lái)決定第二天黃金ETF價(jià)格數(shù)值的變量。簡(jiǎn)單地說(shuō),，就是我們用來(lái)預(yù)測(cè)黃金ETF價(jià)格的特征值,。本例中的解釋變量是過(guò)去3天和9天的價(jià)格移動(dòng)平均值。我們使用dropna()函數(shù)刪除NaN值,，并將特征變量存于X中,。 然而，你還可以在X中放入更多你認(rèn)為對(duì)于預(yù)測(cè)黃金ETF價(jià)格有用的變量,。這些變量可以是技術(shù)指標(biāo),，也可以是另一種ETF的價(jià)格（如黃金礦工ETF (簡(jiǎn)稱GDX)或石油ETF(簡(jiǎn)稱USO)）或美國(guó)經(jīng)濟(jì)數(shù)據(jù)。 Df['S_3'] = Df['Close'].shift(1).rolling(window=3).mean() 輸出 定義因變量 同樣,，因變量是取決于解釋變量的“被解釋變量”,。簡(jiǎn)單地說(shuō)，在這里就是我們?cè)噲D預(yù)測(cè)的黃金ETF價(jià)格,。我們將黃金ETF的價(jià)格賦值為y,。 y = Df['Close'] 輸出 2008-02-08 91.000000 將數(shù)據(jù)切分為模型訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集 在此步驟中，我們將預(yù)測(cè)變量（解釋變量）數(shù)據(jù)和輸出（因變量）數(shù)據(jù)拆分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,。訓(xùn)練數(shù)據(jù)用于建立線性回歸模型,，將輸入與預(yù)期輸出配對(duì)。測(cè)試數(shù)據(jù)用于評(píng)估模型的訓(xùn)練效果,。
t=.8 建立線性回歸模型 接下來(lái)我們將建立一個(gè)線性回歸模型。什么是線性回歸呢? 如果我們?cè)噲D捕捉可以最優(yōu)解釋Y觀測(cè)值的X變量和Y變量之間的數(shù)學(xué)關(guān)系,，我們將在X的觀測(cè)值形成的散點(diǎn)圖中去擬合一條線,，那么這條線，也就是x和y之間的方程就被稱為線性回歸分析,。 再進(jìn)一步地說(shuō)，回歸解釋了因變量在自變量上的變化,。因變量y是你想要預(yù)測(cè)的變量,。自變量x是用來(lái)預(yù)測(cè)因變量的解釋變量。下面的回歸方程描述了這種關(guān)系: Y = m1 * X1 + m2 * X2 + CGold ETF price = m1 * 3 days moving average + m2 * 15 days moving average + c 然后我們利用擬合方法來(lái)擬合自變量和因變量(x和y),，從而生成系數(shù)和回歸常數(shù),。 linear = LinearRegression().fit(X_train,y_train) 輸出 黃金ETF價(jià)格=1.2×3天的移動(dòng)平均價(jià)－0.2×9天的移動(dòng)平均價(jià)+0.39 預(yù)測(cè)黃金ETF的價(jià)格 現(xiàn)在，是時(shí)候檢查模型是否在測(cè)試數(shù)據(jù)集中有效了。我們使用由訓(xùn)練數(shù)據(jù)集建立的線性模型來(lái)預(yù)測(cè)黃金ETF的價(jià)格,。預(yù)測(cè)模型可以得到給定解釋變量X后相應(yīng)的黃金ETF價(jià)格(y),。 predicted_price = linear.predict(X_test) 輸出 圖表顯示了黃金ETF價(jià)格的預(yù)測(cè)值和實(shí)際值（藍(lán)線是預(yù)測(cè)值，綠線是實(shí)際值）,。 現(xiàn)在,，讓我們使用score()函數(shù)來(lái)計(jì)算模型的擬合優(yōu)度。 r2_score = linear.score(X[t:],y[t:])*100 可以看出,，模型的R2是95.81%,。R2總是在0到100%之間。接近100%的分?jǐn)?shù)表明該模型能很好地解釋黃金ETF的價(jià)格,。 祝賀你,，你剛剛學(xué)會(huì)了一種基本而又強(qiáng)大的機(jī)器學(xué)習(xí)技巧。 原文鏈接： https://www./blog/gold-price-prediction-using-machine-learning-python/ 【今日機(jī)器學(xué)習(xí)概念】 Have a Great Definition 志愿者介紹 |
|
|
來(lái)自： 萬(wàn)皇之皇 > 《IT互聯(lián)》
