leyu乐鱼全站官网

本文使用机器学习措施来揣测最蹙迫的贵金属之一黄金的价钱。咱们将创建一个线性追溯模子，该模子从往时的黄金 ETF (GLD) 价钱中得到信息，并复返对第二天黄金 ETF 价钱的揣测。GLD是径直投资什物黄金的最大ETF。（扫描本文最下方二维码得到沿路齐全源码和Jupyter Notebook 文献打包下载。）

率先要做的是：导入整个必要库。 

# LinearRegression 是一个用于线性追溯的机器学习库  from sklearn.linear_model import LinearRegression  # pandas 和 numpy 用于数据操作  import pandas as pd  import numpy as np  # matplotlib 和 seaborn 用于绘图图形  import matplotlib.pyplot as plt  %matplotlib inline  plt.style.use('seaborn-darkgrid')  # yahoo Finance用于得到数据  import yfinance as yf 

然后，咱们读取往时 12 年的逐日黄金 ETF 价钱数据并将其存储在 Df 中。咱们删除不琢磨的列并使用 dropna() 函数删除 NaN 值。然后，咱们绘图黄金 ETF 收盘价。 

Df = yf.download('GLD', '2008-01-01', '2020-6-22', auto_adjust=True)  DfDf = Df[['Close']]  DfDf = Df.dropna()  Df.Close.plot(figsize=(10, 7),color='r')  plt.ylabel("Gold ETF Prices")  plt.title("Gold ETF Price Series")  plt.show() 

证明注解变量是一个被主管以确信第二天黄金 ETF 价钱的变量。浅陋地说，它们是咱们想要用来揣测黄金 ETF 价钱的特征。

该战略中的证明注解变量是往时 3 天和 9 天的移动平均线。咱们使用 dropna() 函数删除 NaN 值并将特征变量存储在 X 中。

然则，您不错向 X 添加更多您以为对揣测黄金 ETF 价钱有效的变量。这些变量不错是本事筹画、其他 ETF 的价钱，举例黄金矿工 ETF (GDX) 或石油 ETF (USO)，或美国经济数据。

雷同，因变量取决于证明注解变量的值。简而言之，这是咱们试图揣测的黄金 ETF 价钱。咱们将黄金 ETF 价钱存储在 y 中。 

Df['S_3'] = Df['Close'].rolling(window=3).mean()  Df['S_9'] = Df['Close'].rolling(window=9).mean() Df['next_day_price'] = Df['Close'].shift(-1)  DfDf = Df.dropna()  X = Df[['S_3', 'S_9']]  y = Df['next_day_price'] 

在这一步中，咱们将揣测变量和输出数据拆分为覆按数据和测试数据。通过将输入与预期输出配对，覆按数据用于创建线性追溯模子。

测试数据用于推断模子的覆按遵守。

 •前 80% 的数据用于覆按，剩余的数据用于测试

  •X_train & y_train 是覆按数据集

“十三五”时期，我国大数据产业快速起步。据测算，大数据产业规模年均复合增长率超过30%，2020年超过1万亿元，产业发展取得显著成效。

   •X_test & y_test 是测试数据集 

t = .8  t = int(t*len(Df))  XX_train = X[:t]  yy_train = y[:t]  XX_test = X[t:]  yy_test = y[t:] 

咱们刻下将创建一个线性追溯模子。然则，什么是线性追溯？

若是咱们试图捕捉“x”和“y”变量之间的数学关系，通过对散点图拟合一条线，“最佳”阐述“x”的细察值证明注解“y”的细察值，那么这么的方程 x 和 y 之间的关系称为线性追溯分析。

为了进一步剖析，追溯用自变量证明注解了因变量的变化。因变量“y”是您要揣测的变量。自变量“x”是您用来揣测因变量的证明注解变量。以下追溯方程神色了这种关系： 

Y = m1 * X1 + m2 * X2 + C  Gold ETF price = m1 * 3 days moving average + m2 * 15 days moving average + c  

然后咱们使用拟合措施拟合自变量和因变量（x 和 y）以生成追溯整个和常数。 

linear = LinearRegression().fit(X_train, y_train)  print("Linear Regression model")  print("Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \  + %.2f * 9 Days Moving Average (x2) \  + %.2f (constant)" % (linear.coef_[0], linear.coef_[1], linear.intercept_)) 

输出线性追溯模子:

黄金 ETF 价钱 (y) = 1.20 * 3 天移动平均线 (x1) + -0.21 * 9 天移动平均线 (x2) + 0.43（常数）

刻下，是时辰检讨模子是否在测试数据相连职责了。咱们使用使用覆按数据集创建的线性模子来揣测黄金 ETF 价钱。揣测措施找到给定证明注解变量 X 的黄金 ETF 价钱 (y)。 

predicted_price = linear.predict(X_test)  predicted_price = pd.DataFrame(      predicted_price, index=y_test.index, columns=['price'])  predicted_price.plot(figsize=(10, 7))  y_test.plot()  plt.legend(['predicted_price', 'actual_price'])  plt.ylabel("Gold ETF Price")  plt.show() 

该图显现了黄金 ETF 的揣测价钱和骨子价钱。

刻下，让咱们使用 score() 函数狡计拟合优度。 

r2_score = linear.score(X[t:], y[t:])*100  float("{0:.2f}".format(r2_score)) 

输出：

99.21

不错看出，模子的 R 正常为 99.21%。R 正常恒久介于 0 和 100% 之间。接近 100% 的分数标明该模子很好地证明注解了黄金 ETF 的价钱。

让咱们狡计一下这个战略的积存收益来分析它的知道。

累计收益狡计容颜如下：

•  生成黄金价钱的逐日百分比变化

•  当第二天的揣测价钱高于本日的揣测价钱时，创建一个以“1”暗意的买入交游信号

•  通过将逐日百分比变化乘以交游信号来狡计战略答复。

•  临了，咱们将绘图积存收益图 

gold = pd.DataFrame()  gold['price'] = Df[t:]['Close']  gold['predicted_price_next_day'] = predicted_price  gold['actual_price_next_day'] = y_test  gold['gold_returns'] = gold['price'].pct_change().shift(-1)  gold['signal'] = np.where(gold.predicted_price_next_day.shift(1) < gold.predicted_price_next_day,1,0)  gold['strategy_returns'] = gold.signal * gold['gold_returns']  ((gold['strategy_returns']+1).cumprod()).plot(figsize=(10,7),color='g')  plt.ylabel('Cumulative Returns')  plt.show() 

输出如下：

咱们还将狡计夏普比： 

sharpe = gold['strategy_returns'].mean()/gold['strategy_returns'].std()*(252**0.5)  'Sharpe Ratio %.2f' % (sharpe)  

输出如下：

'Sharpe Ratio 1.06'

您不错使用以下代码来揣测黄金价钱，并给出咱们应该购买 GLD 还是不持仓的交游信号： 

import datetime as dt  current_date = dt.datetime.now()  data = yf.download('GLD', '2008-06-01', current_date, auto_adjust=True)  data['S_3'] = data['Close'].rolling(window=3).mean()  data['S_9'] = data['Close'].rolling(window=9).mean()  datadata = data.dropna()  data['predicted_gold_price'] = linear.predict(data[['S_3', 'S_9']])  data['signal'] = np.where(data.predicted_gold_price.shift(1) < data.predicted_gold_price,"Buy","No Position")  data.tail(1)[['signal','predicted_gold_price']].T 

输出如下：