gaussianhmm sklearn으로 예측하는 방법

Question

sklearn을 사용하여 주가를 예측하려고합니다. 나는 예측에 처음이다. 나는 gaussian hmm의 주식 예측을 위해 sklearn에서 예제를 시도했다. 그러나 예측은 가격에 오버레이를 적용하고 주어진 입력 마감 가격에서 포인트를 얻는 주 시퀀스를 제공합니다. 내 질문은 다음 10 가지 가격을 생성하는 방법입니다.

Answer 1

당신은 항상 다음 상태를 예측하는 마지막 상태를 사용, 그래서 23 일에 종료 날짜를 변경하여 입력 10 일의 가치를 추가 할 것입니다 :

date2 = datetime.date(2012, 1, 23) 

당신은 코드의 나머지 부분을 다시 한 번 확인 할 수 있습니다 실제로 예측을 위해 미래의 데이터를 사용하고 있지 않은지 확인하십시오. 나머지 줄은 파일의 맨 아래에 추가 할 수 있습니다. 먼저 기대 한 수익이 주어진 주에서 무엇인지 알아 내야합니다. model.means_ 배열은 반환 값을 가지고 있습니다. 둘 다 우리가이 상태로 돌아 왔을 때의 리턴 값이고, 미래의 리턴 값은 여러분이 원하는 값입니다. 미래의 수익을 얻기 위해 우리는 5 개 주 중 어느 한 곳으로 갈 확률과 그 주에서 돌아 오는 확률을 고려합니다. 우리는 model.transmat_ 행렬에서 특정 상태로 갈 확률을 얻습니다. 우리는 model.means_ 값을 사용하는 각 상태를 반환합니다. 특정 주에 대한 예상 수익을 얻으려면 내적을 사용합니다. 그런 다음 볼륨 데이터를 제거합니다 (원하는 경우이 데이터를 남겨 둘 수 있지만 미래 가격에 가장 관심이있는 것으로 보입니다). 당신이 반환 [0]의 값을 인쇄 할 경우

expected_returns_and_volumes = np.dot(model.transmat_, model.means_) 
returns_and_volumes_columnwise = zip(*expected_returns_and_volumes) 
returns = returns_and_volumes_columnwise[0] 

, 당신은 상태 0 달러의 예상 수익을 볼 수, 반환 [1] 등 상태 1 이제, 우리는 하루 상태 주어진 내일의 가격을 예측하고 싶다. 10 일 동안 그렇게 말하면 lastN에 사용합시다.

predicted_prices = [] 
lastN = 10 
for idx in xrange(lastN): 
    state = hidden_states[-lastN+idx] 
    current_price = quotes[-lastN+idx][2] 
    current_date = datetime.date.fromordinal(dates[-lastN+idx]) 
    predicted_date = current_date + datetime.timedelta(days=1) 
    predicted_prices.append((predicted_date, current_price + returns[state])) 

print(predicted_prices) 

것은 당신이 "생산"이 실행 된 경우에 당신은 당신이 가지고있는 마지막 날짜로 날짜 2를 설정합니다 다음 lastN 내가 predicted_date의 계정 주말을 고려하지 않는 1. 참고가 될 것입니다.

이것은 재미있는 일이지만 실제로 프로덕션에서는 실행하지 않으므로 따옴표를 사용하십시오. 첫째, 시계열은 원시 가격입니다. 이것은 실제로 백분율 리턴 또는 로그 리턴이어야합니다. 게다가 HMM에 대해 5 개 주를 선택하는 것에 대한 정당성이 없거나 HMM이 이런 종류의 문제에 대해서도 좋다고 생각합니다. 아마 그들은 단지 그것을 예제로 선택했을 것입니다. 나는 PCA를 사용하는 다른 sklearn 예제가 훨씬 더 흥미 롭다고 생각한다.