前言

机器学习在量化交易主要有两方面的应用，第一就是用时间序列的日频数据来预测未来的股价，第二 用截面数据来预测收益，现在量化基因的因子都基于这个模型。
接下来，我分别来说明，机器学习分成预测结果分成分类和回归。本章，就以随机森林来做未来某天的股价，是一种典型的回归分析方法，如果预测股价的涨跌就是分类问题。在这里有很多坑，我帮小伙伴一一填平。

获取数据

这部分内容，在之前的章节有详细说明，现以sh.60000为例，从2019年1月1日 到至今天(2023-5-31)。

# 加载相应的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import make_scorer,mean_squared_error,mean_absolute_error

# 加载数据
df=pd.read_csv("data/sh.600000.csv",parse_dates=["date"],index_col=[0])
df.head()

date	code	open	high	low	close	preclose	volume	amount	adjustflag	turn	tradestatus	pctChg	isST
2019-01-02	sh.600000	8.079311	8.120785	7.946591	8.046131	8.129080	23762822	229625669.0	2	0.084554	1	-1.020412	0
2019-01-03	sh.600000	8.046131	8.145670	8.012951	8.137375	8.046131	18654262	181975985.0	2	0.066376	1	1.134027	0
2019-01-04	sh.600000	8.071016	8.294980	8.046131	8.261800	8.137375	27172844	268964563.0	2	0.096688	1	1.529048	0
2019-01-07	sh.600000	8.369635	8.369635	8.228620	8.278390	8.261800	23597376	235440197.0	2	0.083965	1	0.200798	0
2019-01-08	sh.600000	8.319865	8.319865	8.220325	8.261800	8.278390	15104933	150501650.0	2	0.053747	1	-0.200396	0

分离数据

由于是时间序列，特征选 'open','high','low','close','volume','turn'，我们目标值（标签）需要进行一处理，我们就选用30天后的收盘价。利用shitt函数，即data.close.shift(-30)。

cols=['open','high','low','close','volume','turn']
data=df[cols]
data['target']=data.close.shift(-30)

将数据集拆分为训练集、验证集和测试集。由于这个数据集是时间序列，决不能不能用train_test_split 进行分拆数据。

train=data[data.index<='2022-12-31']
vali=data[data.index>'2022-12-31'][:-30]
test=data[-30:]

建模

X_train,X_valid,y_train,y_valid=train.iloc[:,:-1],valid.iloc[:,:-1],train.target,valid.target
rfr=RandomForestRegressor()
rfr.fit(X_train,y_train)
y_pred = rfr.predict(X_train)
y_valpred=rfr.predict(X_valid)

评估

print('MSE:',mean_squared_error(y_train,y_pred),mean_squared_error(y_valid,y_valpred))
print('MAE:',mean_absolute_error(y_train,y_pred),mean_absolute_error(y_valid,y_valpred))

MSE: 0.024523304572707856 0.148004080839963
MAE: 0.11476424162232533 0.31643676975294

从MSE和 MAE来看，值并不大。但从最后一天的收盘价为7.39来看，0.316 这个偏差也算够大的了。

作图

plt.figure(figsize=(10, 8))
plt.title("股票收盘价格")
plt.xticks(y_valid.index)
plt.plot(y_valid.values, label="真实")
plt.plot(y_valpred, label="预测")
plt.legend()
plt.show()

预测

y_pred=rfr.predict(test.iloc[:,:-1])
y_pred

array([7.25712055, 7.40309288, 7.40801386, 7.43678256, 7.48561795,
7.45129724, 7.35071418, 7.41735554, 7.40655025, 7.5429179 ,
7.44490355, 7.45728217, 7.74914538, 7.54671586, 7.50899764,
7.4850967 , 7.42395024, 7.55281253, 7.48490723, 7.46983359,
7.47770723, 7.52752326, 7.39138246, 7.39152939, 7.44892407,
6.8768 , 7.23216313, 7.45918674, 7.47948684, 7.21223155])
这里的数据即预测未来30天的值。

小结

以上是用随机森林作的一个预测方法，仅此而以。上面的数据是用当天的6个特征值预测未来30天的结果，可想而知。下面在此基础上我们做如下修改，采用前面30天的部分数据来预测第二天的收盘价。

数据处理

原始数据还是与上面一样，在数据分离做进一步处理。
为了方便说明问题，简化部分数据处理，如想更加详细的说明，后继将有 LSTM 预测股票的价格的文章。
原来的数据只有6列特征，在此基本上增加29列之前每天的收盘价数据一起作为特征。

cols=['open','high','low','close','volume','turn']
data=df[cols]
# 添加前29天的收盘价数据
for i in range(1,30):
    data['R_%d'%i]=df.close.shift(i)
#第二收盘价作为目标
data['target']=data.close.shift(-1) 
#删除空缺值
data=data.dropna()

数据分离

train=data[data.index<='2022-12-31']
valid=data[data.index>'2022-12-31'][:-30]
test=data[-30:]
X_train,X_valid,y_train,y_valid=train.iloc[:,:-1],valid.iloc[:,:-1],train.target,valid.target

建模和评估

rfr=RandomForestRegressor()
rfr.fit(X_train,y_train)
y_pred = rfr.predict(X_train)
y_valpred=rfr.predict(X_valid)
print('MSE:',mean_squared_error(y_train,y_pred),mean_squared_error(y_valid,y_valpred))
print('MAE:',mean_absolute_error(y_train,y_pred),mean_absolute_error(y_valid,y_valpred))

MSE: 0.0018605951383111714 0.0029620773221556763
MAE: 0.0297794545549311 0.04252798919403008
MSE和MAE 已经很小了，很接近真实值

plt.figure(figsize=(10, 8))
plt.title("股票收盘价格")
plt.plot(y_valid.values, label="真实")
plt.plot(y_valpred, label="预测")
plt.legend()
plt.show()

从上图来看，预测值与真实值很接近

预测

y_pred=rfr.predict(test.iloc[:,:-1])
y_pred

array([7.2483 , 7.33919421, 7.50750781, 7.55087572, 7.58982307,
7.6044283 , 7.56227032, 7.57089137, 7.55753348, 7.5588598 ,
7.58131242, 7.57973364, 7.62280714, 7.812186 , 7.96168067,
7.62943871, 7.59097557, 7.57193348, 7.58140716, 7.58822821,
7.56501769, 7.58472294, 7.54284928, 7.52143876, 7.47868092,
7.38327099, 7.28360451, 7.28648865, 7.3997869 , 7.37405036])
er)

  如果不仔细看，小伙伴一定会有疑问，怎么会有真实值呢，其实，最先的数据是用当天的数据预测未来30天的值，而改进后的方案为前面30天的数据，预测第二天的值。

总结

这里只是预测的方法，想应用到真实的预测，以此来作股票买卖，我在这里说，别，千万别，…。
作为随机森林预测数据的一种方法，后继我将用 LSTM 和 CNN 以及 GAN 的深度学习方法来作进一步的使用说明。

在此警告：文章中的所有内容，不能给你构成投资的理由。