贝叶斯分类对股票走势预测

原创

janwool 2018-01-17 00:08:11 博主文章分类：量化分析 ©著作权

©著作权归作者所有：来自51CTO博客作者janwool的原创作品，请联系作者获取转载授权，否则将追究法律责任

	上一文介绍了K均值对股票K线分类，该文对它做一个应用，通过贝叶斯分类器进行股票走势的预测。
	好多炒股的大牛都说看K线判断次日的涨跌，按照这个思路，我们将前六根k线做为输入，涨幅超过2个点为1作为输出训练贝叶斯分类器，然后输入当日的前六根K线作为输入，来预测明日的股票走势。
	首先介绍一下贝叶斯分类器。
	贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。（摘自百度百科）说白了就是贝叶斯公式：
	P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)
	其中X = ( X1 , X2 , ... , Xn)表示输入的特征，也就是我们的6根K线，C为类集合( c1 , c2 , ... , cm)，当输入为x，输出为ci类的概率最大即为输出的类别，即：
	P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }
	这里我们假定输入的K线相互独立，那么
	P( X = x | C = ci)  = P( x= x1 | C = ci)*P( x= x2 C = ci)... P( x= xn | C = ci)
	又因为对于确定的输入X,P(X=x)为常数，所以判别函数可以修改为：
		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为判别函数。
		
		
按照上面的思路，我们编码，这里直接贴代码吧，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;
}

上述是基于javascript贝叶斯分类器。接下来根据上一文的K均值聚类归类好的K线构建构建训练数据集，实现方法：

function inputMean(series,close){
		var data = [],labels = [],x = [];
		var kcount = 6;//k线数量
		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];
	}

上面代码将计算6根K线作为输入，次日涨幅超过2%为1类，否则为0类，输出训练集data与结果集label，接下来我们将输入集与结果集输入贝叶斯分类器训练。

		dt = inputMean(result.cluster,close);
		var bayes = new Bayes();
		bayes.train(dt[0],dt[1]);

将训练后的分类器对数据进行分类：

		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]);
		}

将预测结果与真实值绘图比较：