如何使用 gaussianhmm sklearn 进行预测

Question

我正在尝试使用 sklearn 预测股票价格。我是新来的预测。我尝试了来自 sklearn 的示例，用于使用高斯 hmm 进行股票预测。但是 predict 给出了覆盖在价格上的状态序列，并且它还从给定的输入收盘价中获取点。我的问题是如何生成接下来的 10 个价格？

Answer 1

您将始终使用最后一个状态来预测下一个状态，所以让我们通过将结束日期更改为 23 日来添加 10 天的输入：

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

您可以仔细检查其余代码，以确保我实际上并未使用未来数据进行预测。这些行的其余部分可以添加到文件的底部。首先，我们想找出给定状态的预期回报是多少。 model.means_ 数组有回报，这两个都是让我们进入这个状态的回报，而不是你想要的未来回报。为了获得未来的回报，我们考虑进入 5 个状态中的任何一个的概率，以及这些状态的回报是多少。我们从 model.transmat_ 矩阵中获得进入任何特定状态的概率，对于每个状态的返回，我们使用 model.means_ 值。我们采用点积来获得特定状态的预期回报。然后我们会删除数量数据（如果需要，您可以保留它，但您似乎对未来的价格最感兴趣）。

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]

如果您打印returns[0] 的值，您将看到状态0 的预期回报（美元），状态1 的returns[1] 等。现在，给定一天和一个状态，我们想要预测明天的价格。你说的是 10 天，所以让我们将其用于 lastN。

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)

如果您在“生产”中运行此程序，您会将 date2 设置为您拥有的最后一个日期，然后 lastN 将是 1。请注意，我没有考虑 predict_date 的周末。

这是一个有趣的练习，但您可能不会在生产环境中运行它，因此使用了引号。首先，时间序列是原始价格；这应该是百分比回报或对数回报。另外，没有理由为 HMM 选择 5 个状态，或者 HMM 甚至可以解决这种问题，我对此表示怀疑。他们可能只是把它作为一个例子。我认为另一个使用 PCA 的 sklearn 示例更有趣。