AI股神：如何用机器学习预测股价？

全文共1560字，预计学习时长7分钟

图源：pixabay

 

首先要强调，文中只是简单展示了怎样上手H2o.ai机器学习框架，并不作为投资理财的建议。不要简单根据本文就做出任何投资理财的决策。

 

本文将向你展示如何使用R语言和H2o.ai机器学习框架预测股价。该框架也可以在Python中使用，但因为笔者更熟悉R语言，所以本文就用R语言来演示。以下是详细的步骤：

 

1.搜集数据

2.导入数据

3.整理并操作数据

4.分割测试并观察训练

5.选择模型

6.训练模型

7.用模型测试数据

8.评估结果

9.如有必要便改进模型

10.重复步骤5到10，直到对结果满意为止

 

本文研究的问题是：股票在接下来一小时的收盘价是多少？

 

数据整理

 

导入想要通过MetaTrader软件进行预测的资产数据之后，需要更改一些变量。首先，定义变量名称：

 

#seting the name of variables
col_names <- c("Date", "Open", "High","Low", "Close", "Tick", "Volume")
colnames(data) <- col_names
head(data)

数据格式如下：

 

 

我们仅用到开盘价、最高价、最低价、收盘价和交易量等一些能获得的数据，那么就需要清除其他数据：

 

data$Date <- NULL
data$Tick <- NULL

因为我们想知道下一个观测期的收盘价，所以需要将下面的值移到上一行，需要用新数据在原始数据集中创建函数并设置变量：

 

#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，我们已在上一行中给变量收盘价赋了值。所以，在最后一行中会出现NA，我们用na.omit ()函数跳过这一行：

 

#remove NA observations
data <- na.omit(data)
write.csv(data, "data.csv")

 

OK，数据已准备就绪，可以开始建模了。

 

分割数据

 

图源：pixabay

 

用H2O.ai进行数据分割。H2O.ai为我们分析和训练人工智能模型提供了一套完整的解决方案，非常好用，即便是没有任何数据科学背景的人也能使用它来解决复杂的问题。先下载H2O.ai：

 

#Installing the package
install.packages("h2o")

#loading the library
library(h2o)

 

安装加载好后，启动用于建模的虚拟机。启动虚拟机时，必须设置所需的核数和内存参数：

 

#Initializing the Virtual Machine using all the threads (-1) and 16gb ofmemory
h2o.init(nthreads = -1, max_mem_size = "16g")

 

导入数据：

 

h2o.importFile("data.csv")
h2o.describe(data)

 

接着定义想要在数据集中预测的变量，以及那些用于训练模型的变量：

 

y <- "shifted" #variable we want to forecast
x <- setdiff(names(data), y)

随后，分割数据，分别用于训练和测试，其中80%用于训练数据。

 

parts <- h2o.splitFrame(data, .80)
train <- parts[[1]]
test <- parts[[2]]

完成这些步骤，就是时候见证H2O.ai创造奇迹的时候了。

 

选择模型

 

每一位数据科学家在创建自己的机器学习项目时，必须完成的一项任务便是识别出最佳的一个或一组模型来进行预测。这需要大量的知识，尤其是深厚的数学基础，来决定针对特定任务的最佳方案。

 

我们可以借助H2O.ai来选择最佳模型，这样就可以腾出时间解决其他问题，这便是自动建模。虽然这可能不是解决问题最有效的方法，却是一个不错的尝试。

 

训练模型

 

创建模型，需要调用automl函数并传递必要的参数：

 

automodel <- h2o.automl(x, y, train, test, max_runtime_secs = 120)

 

几分钟后，我们就能获取一个按性能顺序排列的模型列表：

 

 

运用模型

 

现在，可以用模型来测试数据啦！你还可以用模型对尚未观察到的数据进行性能评估，以模型和测试数据作为参数调用预测函数：

 

predictions <- h2o.predict(automodel@leader, test)

 

好啦，静待一小时，看看你的预测能否成真吧。

 

免责声明：本文不是投资建议，预测股票价格并不是一项简单的任务，本文只是简单说明了用H2O.ai解决机器学习问题是多么容易。预测股价走势非常容易，但这并不意味着预测都是正确或准确无误的。

一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）