隐马尔可夫模型|股票预测

from google.colab import drive
drive.mount('/content/drive')
import os
print(os.getcwd())
os.chdir("/content/drive/My Drive/Colab Notebooks")

# path = "/content/gdrive/My Drive/sample"
# os.chdir(path)
# 返回上一级目录
print(os.getcwd())
# os.chdir('../')

import datetime
import numpy as np
from matplotlib import cm, pyplot as plt
from matplotlib.dates import DayLocator
from hmmlearn.hmm import GaussianHMM # 选择的HMM模型

def load_sample_stock():
 import csv
  ret = []
 with open('CSV.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)
 for idx, row in enumerate(reader):
      ret.append((datetime.datetime.strptime(row["Date"], "%Y-%m-%d"), 
float(row["Close"]), float(row["Volume"])))
 return ret

quotes = load_sample_stock()

dates = np.array([q[0] for q in quotes], dtype=datetime.datetime)[1:]
print(dates)
close_v = np.array([q[1] for q in quotes])
print(close_v)
volume = np.array([q[2] for q in quotes])[1:]
print(volume)

# np.diff()是用来计算数组中前后两个值差额的函数
diff = np.diff(close_v)
print(diff)
print("原来收盘值的长度： {}, 现在的收盘涨跌值的长度： {}".format(len(close_v), len(diff)))

X= np.column_stack([diff, volume])
print(X)

# 初始化一个GaussianHMM模型
model = GaussianHMM(n_components=3, covariance_type='diag', n_iter=10000)
# 用X_train变量进行模型训练
model.fit(X)

# 均值矩阵
# 由于使用的是Baum-Welch的无监督训练法，即在训练中没有给出隐含状态的任何信息
# 所以需要在训练后观察均值矩阵的具体数值才能知道每个隐含状态的含义
# 打印均值矩阵
print("Model means: ")
print(model.means_)
# 结论：
# 1: 矩阵共三行，每一行代表隐藏层的结点的一种状态(平，涨， 跌)，每一行的两个元素分别带表：涨跌值的均值和交易量的均值
# 由于系统的目标是预测涨跌幅值：只看第一列的数据：状态0均值是-0.0075（接近于零）得知该状态为平；
# 状态1均值为0.15（涨1毛多）得知该状态为涨；
# 状态3均值为-0.049（跌4分多）得知该状态为跌；

# 协方差矩阵
print("Covariance means: ")
print(model.covars_)
# 三个协方差矩阵，分别对应隐藏层状态：'平'，'涨'， '跌'.
# 每个协方差矩阵的非对角线元素都为0，这对应了对GaussianHMM初始化参数convariance_type='diag'的配置

# 转换概率矩阵:三个隐藏层的状态转移概率输出表
print("Transition matrix: ")
print(model.transmat_)

# 三行依旧代表三个隐含层的状态： 平，涨，跌
# 第一行最大数值：0.7415，因此"平"倾向于保持自己的状态，即第二天仍旧为平的概率大
# 第二行的最大数值：0.5756,得知"涨"后，第二天倾向与变为"涨"，但同时也有不小的概率是会"平"（0.4234）,而涨后跌的可能性比较小
# 第三行最大数值；0.7855，得知"跌"后，第二天还是"跌"的可能性比较大。
# 根据转换概率我们可以评价该支股票接下来适合短期抄底

# 预测
X1 = X[-26:]
print(X1)
dates = dates[-26:]
print(dates)
close_v = close_v[-26:]
hidden_states = model.predict(X1)

# 保存每种隐藏层状态下的特征的均值和方差;
predict_means = []
predict_vars = []
for idx, hid in enumerate(range(model.n_components)):
    comp = np.argmax(model.transmat_[idx])
    predict_means.append(means_[comp])
    predict_vars.append(vars_[comp])

# print(X)
print(hidden_states)
print(model.means_)
print(model.covars_)
print("done")

# 使用matplot 分别画出这段日期的状态图，对于不同预测状态使用不同的端点形状和颜色进行示意

fig, axs = plt.subplots(model.n_components+1, sharex = True, sharey = True)
for i, ax in enumerate(axs[:-1]):
  ax.set_title("{0}the hidden state".format(i))

  mask = hidden_states == i
  yesterday_mask = np.concatenate(([False], mask[:-1]))
 if len(dates[mask]) <=0:
 continue
 if predict_means[i] > 0.01:
 # 上涨预测， 端点形状是上三角，用红色
    ax.plot_date(dates[mask], close_v[mask], "^", c="#FF0000")
 elif predict_means[i] < -0.01:
 # 下跌预测， 端点形状是下三角，用绿色
    ax.plot_date(dates[mask], close_v[mask], "v", c="#00FF00")
 else:
 # 平，端点形状是加号，用黑色
    ax.plot_date(dates[mask], close_v[mask], "+", c="#000000")

# Format the tick
  ax.xaxis.set_minor_locator(DayLocator())
  ax.grid(True)
  ax.legend(["Mean: %0.3f\nvar:   %0.3f"%(predict_means[i], predict_vars[i])], loc='center left', bbox_to_anchor =[1, 0.5])

# 最后用一个子图打印出这段日期的真实走势用做对比
axs[-1].plot_date(dates, close_v, "-", c = "#000000")
axs[-1].grid(True)
# box = axs[-1].get_position()
# axs[-1].set_position([box.x0, box.y0, box.width*0.8, box.height])
ax.xaxis.set_minor_locator(DayLocator())

# 调整格式，并显示作图
fig.autofmt_xdate()
plt.subplots_adjust(left=None, bottom=None, right=0.75, top=None, wspace=None, hspace=0.43)
plt.show()