上一文介紹了K均值對股票K線分類,該文對它做一個應用,通過貝葉斯分類器進行股票走勢的預測。
好多炒股的大牛都說看K線判斷次日的漲跌,按照這個思路,我們將前六根k線做爲輸入,漲幅超過2個點爲1作爲輸出訓練貝葉斯分類器,然後輸入當日的前六根K線作爲輸入,來預測明日的股票走勢。
首先介紹一下貝葉斯分類器。
貝葉斯分類器的分類原理是通過某對象的先驗概率,利用貝葉斯公式計算出其後驗概率,即該對象屬於某一類的概率,選擇具有最大後驗概率的類作爲該對象所屬的類。(摘自百度百科)說白了就是貝葉斯公式:
P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)
其中X = ( X1 , X2 , ... , Xn)表示輸入的特徵,也就是我們的6根K線,C爲類集合( c1 , c2 , ... , cm),當輸入爲x,輸出爲ci類的概率最大即爲輸出的類別,即:
P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }
這裏我們假定輸入的K線相互獨立,那麼
P( X = x | C = ci) = P( x= x1 | C = ci)*P( x= x2 C = ci)... P( x= xn | C = ci)
又因爲對於確定的輸入X,P(X=x)爲常數,所以判別函數可以修改爲:
F(P( C = ci | X = x)) = G(Max{ P( X = x | C = c1) * P( C = c1), P( X = x | C = c2 * P( C = c2), ... , P( X = x | C = cm) * P( C = cm)});
其中,G爲判別函數。
按照上面的思路,我們編碼,這裏直接貼代碼吧,看不懂 都可以留言:
function Bayes(){}
Bayes.prototype.train = function(trainMatrix,trainCategory){
var cateMaps = new Map();
for(var i = 0;i < trainCategory.length;i++){
if(!cateMaps.containsKey(trainCategory[i])){
cateMaps.put(trainCategory[i],0);
}
cateMaps.put(trainCategory[i],cateMaps.get(trainCategory[i]) + 1);
}
cateMaps.each(function(key,value){
cateMaps.put(key,cateMaps.get(key)/trainCategory.length);
});
var labelsTree = new Map();
var labelsCount = new Map();
for(var i = 0;i <trainMatrix.length;i++){
if(!labelsTree.containsKey(trainCategory[i])){
labelsTree.put(trainCategory[i],new Map());
labelsCount.put(trainCategory[i],new Map());
}
for(var j = 0;j < trainMatrix[0].length;j++){
if(!(labelsTree.get(trainCategory[i]).containsKey(j))){
labelsTree.get(trainCategory[i]).put(j,new Map());
}
labelsTree.get(trainCategory[i]).get(j).put(trainMatrix[i][j],labelsTree.get(trainCategory[i]).get(j).get(trainMatrix[i][j],0) + 1);
labelsCount.get(trainCategory[i]).put(j,labelsCount.get(trainCategory[i]).get(j,0) + 1);
}
}
console.log(labelsTree);
this.cateMaps = cateMaps;
this.labelsTree = labelsTree;
this.labelsCount = labelsCount;
console.log(this.labelsTree)
}
Bayes.prototype.predict = function(inputX){
var predictMap = new Map();
var labels = this.cateMaps.keySet();
var sm = 0;
for(var i = 0;i < labels.length;i++){
var Pc = this.cateMaps.get(labels[i]);
var P_w = 1;
for(var j = 0;j < inputX.length;j++){
var P_w_j_fz = 0,P_w_j_fm = 0;
for(var k = 0;k < labels.length;k++){
P_w_j_fz += this.labelsTree.get(labels[k]).get(j).get(inputX[j],0);
P_w_j_fm += this.labelsCount.get(labels[k]).get(j);
}
P_w = P_w * P_w_j_fz/P_w_j_fm;
}
var P_w_c = 1;
for(var j = 0;j < inputX.length;j++){
P_w_c = P_w_c * this.labelsTree.get(labels[i]).get(j).get(inputX[j],0)/this.labelsCount.get(labels[i]).get(j);
}
predictMap.put(labels[i],P_w_c*Pc);
sm += P_w_c*Pc;
console.log(P_w);
}
for(var i = 0;i < labels.length;i++){
predictMap.put(labels[i],predictMap.get(labels[i])/sm);
}
return predictMap;
}
上述是基於javascript貝葉斯分類器。
接下來根據上一文的K均值聚類歸類好的K線構建構建訓練數據集,實現方法:
function inputMean(series,close){
var data = [],labels = [],x = [];
var kcount = 6;//k線數量
var cast = 1;
for(var i = 0;i < series.length - kcount - cast + 1;i++){
var tmp = [];
for(var j = 0;j < kcount;j++){
tmp.push(series[i + j]);
}
labels[i] = ((close[i + kcount + cast] - close[i + kcount])/close[i + kcount]*100 > 2)?'1':'0';
data.push(tmp);
}
for(var i = 0;i < series.length - kcount+1;i++){
var tmp = [];
for(var j = 0;j < kcount;j++){
tmp.push(series[i + j]);
}
x.push(tmp);
}
return[data,labels,x];
}
上面代碼將計算6根K線作爲輸入,次日漲幅超過2%爲1類,否則爲0類,輸出訓練集data與結果集label,接下來我們將輸入集與結果集輸入貝葉斯分類器訓練。
dt = inputMean(result.cluster,close);
var bayes = new Bayes();
bayes.train(dt[0],dt[1]);
將訓練後的分類器對數據進行分類:
var test = [];
var tx = [];
for(var i = 0;i < dt[2].length;i++){
test.push(((bayes.predict(dt[2][i]).get(1) > bayes.predict(dt[2][i]).get(0))?1:0));
//test.push(bayes.predict(dt[2][i]).get(1))
tx.push(date[i + 6]);
}
將預測結果與真實值繪圖比較:
對歷史數據的預測準確率基本可以達到80%以上(這裏包括訓練集,所以不太準確)。
綜上,貝葉斯分類與K均值聚類可以作爲股票買賣的參考,當然不值得迷信(哈哈)。因爲自己一直在研究,源碼有點亂,等整理好了再上傳git吧。