关于机器学习:用机器学习识别不断变化的股市状况

原文链接：http://tecdat.cn/?p=1557

“理解不同的股市情况，扭转交易策略，对股市收益有很大的影响。弄清楚何时开始或何时止损，调整危险和资金治理技巧，都取决于股市的当前状况。

▼

有些策略在波澜不惊的股市中体现良好，而有些策略可能适宜强劲增长或长期上涨的状况。

在本文中，咱们将通过应用一类弱小的机器学习算法“隐马尔科夫模型”（HMM）来摸索如何辨认不同的股市情况。

【拓端数据】用机器学习辨认一直变动的股市情况—隐马尔科夫模型(HMM)的利用 Part 1

影片1

马尔科夫模型是一个概率过程，查看以后状态来预测下一个状态。一个简略的例子就是看天气。

假如咱们有三种天气情况：下雨、多云、阳光明媚。如果明天下雨，马尔科夫模型就会寻找每种不同天气的概率。例如，今天可能会继续下雨的可能性较高，变得多云的可能性略低，而会变得晴朗的几率很小。

基于以上背景，而后咱们能够用来找到不同的股市情况优化咱们的交易策略。咱们应用2004年至今的上证指数（000001.ss）来构建模型。

首先，咱们失去上证指数的收盘价数据，计算失去收益率数据，并建设HMM模型比拟模型的预测后果。

绘制上证指数的收盘价和收益率数据，咱们看到2004年和2017年期间股市的稳定状况。

对收益率拟合了三状态隐马尔可夫模型之后，绘制每个状态的后验概率：

2007 – 2009年间，因为次贷危机，股市呈现了惊人的稳定，迅速扭转了不同状态的后验概率，能够看到2008年前后状态2和状态3的概率呈现了很大的变动。

股市在2010年后变得平静，因而状态2和状态3的概率处于均衡状态。

基于以上判断，咱们将三种不同的状态进行定义。状态1认为是震荡市场，状态2认为是上涨市场，状态3认为是上涨市场。而后将不同状态的预测后果返回到实在的上证指数来察看是否合乎主观逻辑。

通过实在数据拟合，咱们看到状态1（紫色）震荡市场，状态2（绿色）上涨市场，状态3（红色）上涨市场符合实际的状况。

通过隐马尔科夫模型，能够深刻理解一直变动的股市情况。从而进步交易策略的性能。就从咱们的简略摸索来看，这个模型该当是值得花一些工夫去打磨的。可改良的中央十分多。例如能够引入多因子分析，建设多元模型等。