AI股神：如何用機器學習預測股價？
本文轉(zhuǎn)載自公眾號“讀芯術”(ID：AI_Discovery)。
首先要強調(diào)，文中只是簡單展示了怎樣上手H2o.ai機器學習框架，并不作為投資理財?shù)慕ㄗh。不要簡單根據(jù)本文就做出任何投資理財?shù)臎Q策。
本文將向你展示如何使用R語言和H2o.ai機器學習框架預測股價。該框架也可以在Python中使用，但因為筆者更熟悉R語言，所以本文就用R語言來演示。以下是詳細的步驟：
- 搜集數(shù)據(jù)
- 導入數(shù)據(jù)
- 整理并操作數(shù)據(jù)
- 分割測試并觀察訓練
- 選擇模型
- 訓練模型
- 用模型測試數(shù)據(jù)
- 評估結(jié)果
- 如有必要便改進模型
- 重復步驟5到10，直到對結(jié)果滿意為止
本文研究的問題是：股票在接下來一小時的收盤價是多少?
數(shù)據(jù)整理
導入想要通過MetaTrader軟件進行預測的資產(chǎn)數(shù)據(jù)之后，需要更改一些變量。首先，定義變量名稱：
- #seting the name of variables
- col_names <- c("Date", "Open", "High","Low", "Close", "Tick", "Volume")
- colnames(data) <- col_names
- head(data)
數(shù)據(jù)格式如下：
我們僅用到開盤價、最高價、最低價、收盤價和交易量等一些能獲得的數(shù)據(jù)，那么就需要清除其他數(shù)據(jù)：
- data$Date <- NULL
- data$Tick <- NULL
因為我們想知道下一個觀測期的收盤價，所以需要將下面的值移到上一行，需要用新數(shù)據(jù)在原始數(shù)據(jù)集中創(chuàng)建函數(shù)并設置變量：
- #shifting n rows up of a given variable
- shift <- function(x, n) {
- c(x[-(seq(n))], rep(NA, n))
- }
- data$shifted <- shift(data$Close, 1)
- tail(data)
注意，我們已在上一行中給變量收盤價賦了值。所以，在最后一行中會出現(xiàn)NA，我們用na.omit ()函數(shù)跳過這一行：
- #remove NA observations
- data <- na.omit(data)
- write.csv(data, "data.csv")
OK，數(shù)據(jù)已準備就緒，可以開始建模了。
分割數(shù)據(jù)
用H2O.ai進行數(shù)據(jù)分割。H2O.ai為我們分析和訓練人工智能模型提供了一套完整的解決方案，非常好用，即便是沒有任何數(shù)據(jù)科學背景的人也能使用它來解決復雜的問題。先下載H2O.ai：
- #Installing the package
- install.packages("h2o")
- #loading the library
- library(h2o)
安裝加載好后，啟動用于建模的虛擬機。啟動虛擬機時，必須設置所需的核數(shù)和內(nèi)存參數(shù)：
- #Initializing the Virtual Machine using all the threads (-1) and 16gb ofmemory
- h2o.init(nthreads = -1, max_mem_size = "16g")
導入數(shù)據(jù)：
- h2o.importFile("data.csv")
- h2o.describe(data)
接著定義想要在數(shù)據(jù)集中預測的變量，以及那些用于訓練模型的變量：
- y <- "shifted" #variable we want to forecast
- x <- setdiff(names(data), y)
隨后，分割數(shù)據(jù)，分別用于訓練和測試，其中80%用于訓練數(shù)據(jù)。
- parts <- h2o.splitFrame(data, .80)
- train <- parts[[1]]
- test <- parts[[2]]
完成這些步驟，就是時候見證H2O.ai創(chuàng)造奇跡的時候了。
選擇模型
每一位數(shù)據(jù)科學家在創(chuàng)建自己的機器學習項目時，必須完成的一項任務便是識別出最佳的一個或一組模型來進行預測。這需要大量的知識，尤其是深厚的數(shù)學基礎，來決定針對特定任務的最佳方案。
我們可以借助H2O.ai來選擇最佳模型，這樣就可以騰出時間解決其他問題，這便是自動建模。雖然這可能不是解決問題最有效的方法，卻是一個不錯的嘗試。
訓練模型
創(chuàng)建模型，需要調(diào)用automl函數(shù)并傳遞必要的參數(shù)：
- automodel <- h2o.automl(x, y, train, test, max_runtime_secs = 120)
幾分鐘后，我們就能獲取一個按性能順序排列的模型列表：
運用模型
現(xiàn)在，可以用模型來測試數(shù)據(jù)啦!你還可以用模型對尚未觀察到的數(shù)據(jù)進行性能評估，以模型和測試數(shù)據(jù)作為參數(shù)調(diào)用預測函數(shù)：
- predictions <- h2o.predict(automodel@leader, test)
好啦，靜待一小時，看看你的預測能否成真吧。
免責聲明：本文不是投資建議，預測股票價格并不是一項簡單的任務，本文只是簡單說明了用H2O.ai解決機器學習問題是多么容易。預測股價走勢非常容易，但這并不意味著預測都是正確或準確無誤的。
