用 Python 机器学习预测黄金价格

开发 后端
本文使用机器学习方法来预测最重要的贵金属之一黄金的价格。

 

读取黄金 ETF 数据

本文使用机器学习方法来预测最重要的贵金属之一黄金的价格。我们将创建一个线性回归模型,该模型从过去的黄金 ETF (GLD) 价格中获取信息,并返回对第二天黄金 ETF 价格的预测。GLD是直接投资实物黄金的最大ETF。(扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。)

首先要做的是:导入所有必要库。 

  1. # LinearRegression 是一个用于线性回归的机器学习库  
  2. from sklearn.linear_model import LinearRegression  
  3. # pandas 和 numpy 用于数据操作  
  4. import pandas as pd  
  5. import numpy as np  
  6. # matplotlib 和 seaborn 用于绘制图形  
  7. import matplotlib.pyplot as plt  
  8. %matplotlib inline  
  9. plt.style.use('seaborn-darkgrid')  
  10. # yahoo Finance用于获取数据  
  11. import yfinance as yf 

然后,我们读取过去 12 年的每日黄金 ETF 价格数据并将其存储在 Df 中。我们删除不相关的列并使用 dropna() 函数删除 NaN 值。然后,我们绘制黄金 ETF 收盘价。 

  1. Df = yf.download('GLD', '2008-01-01', '2020-6-22', auto_adjust=True 
  2. DfDf = Df[['Close']]  
  3. DfDf = Df.dropna()  
  4. Df.Close.plot(figsize=(10, 7),color='r' 
  5. plt.ylabel("Gold ETF Prices")  
  6. plt.title("Gold ETF Price Series")  
  7. plt.show() 

定义解释变量

解释变量是一个被操纵以确定第二天黄金 ETF 价格的变量。简单地说,它们是我们想要用来预测黄金 ETF 价格的特征。

该策略中的解释变量是过去 3 天和 9 天的移动平均线。我们使用 dropna() 函数删除 NaN 值并将特征变量存储在 X 中。

但是,您可以向 X 添加更多您认为对预测黄金 ETF 价格有用的变量。这些变量可以是技术指标、其他 ETF 的价格,例如黄金矿工 ETF (GDX) 或石油 ETF (USO),或美国经济数据。

定义因变量

同样,因变量取决于解释变量的值。简而言之,这是我们试图预测的黄金 ETF 价格。我们将黄金 ETF 价格存储在 y 中。 

  1. Df['S_3'] = Df['Close'].rolling(window=3).mean()  
  2. Df['S_9'] = Df['Close'].rolling(window=9).mean() 
  3. Df['next_day_price'] = Df['Close'].shift(-1)  
  4. DfDf = Df.dropna()  
  5. X = Df[['S_3', 'S_9']]  
  6. y = Df['next_day_price'] 

将数据拆分为训练和测试数据集

在这一步中,我们将预测变量和输出数据拆分为训练数据和测试数据。通过将输入与预期输出配对,训练数据用于创建线性回归模型。

测试数据用于估计模型的训练效果。

 •前 80% 的数据用于训练,剩余的数据用于测试

  •X_train & y_train 是训练数据集

   •X_test & y_test 是测试数据集 

  1. t = .8  
  2. t = int(t*len(Df))  
  3. XX_train = X[:t]  
  4. yy_train = y[:t]  
  5. XX_test = X[t:]  
  6. yy_test = y[t:] 

创建线性回归模型

我们现在将创建一个线性回归模型。但是,什么是线性回归?

如果我们试图捕捉“x”和“y”变量之间的数学关系,通过对散点图拟合一条线,“最好”根据“x”的观察值解释“y”的观察值,那么这样的方程 x 和 y 之间的关系称为线性回归分析。

为了进一步分解,回归用自变量解释了因变量的变化。因变量“y”是您要预测的变量。自变量“x”是您用来预测因变量的解释变量。以下回归方程描述了这种关系: 

  1. Y = m1 * X1 + m2 * X2 + C  
  2. Gold ETF price = m1 * 3 days moving average + m2 * 15 days moving average + c  

然后我们使用拟合方法拟合自变量和因变量(x 和 y)以生成回归系数和常数。 

  1. linear = LinearRegression().fit(X_train, y_train)  
  2. print("Linear Regression model")  
  3. print("Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \  
  4. + %.2f * 9 Days Moving Average (x2) \  
  5. + %.2f (constant)" % (linear.coef_[0], linear.coef_[1], linear.intercept_)) 

输出线性回归模型:

黄金 ETF 价格 (y) = 1.20 * 3 天移动平均线 (x1) + -0.21 * 9 天移动平均线 (x2) + 0.43(常数)

预测黄金ETF价格

现在,是时候检查模型是否在测试数据集中工作了。我们使用使用训练数据集创建的线性模型来预测黄金 ETF 价格。预测方法找到给定解释变量 X 的黄金 ETF 价格 (y)。 

  1. predicted_price = linear.predict(X_test)  
  2. predicted_price = pd.DataFrame(  
  3.     predicted_price, index=y_test.index, columns=['price'])  
  4. predicted_price.plot(figsize=(10, 7))  
  5. y_test.plot()  
  6. plt.legend(['predicted_price', 'actual_price'])  
  7. plt.ylabel("Gold ETF Price")  
  8. plt.show() 

该图显示了黄金 ETF 的预测价格和实际价格。

现在,让我们使用 score() 函数计算拟合优度。 

  1. r2_score = linear.score(X[t:], y[t:])*100  
  2. float("{0:.2f}".format(r2_score)) 

输出:

99.21

可以看出,模型的 R 平方为 99.21%。R 平方始终介于 0 和 100% 之间。接近 100% 的分数表明该模型很好地解释了黄金 ETF 的价格。

绘制累积收益

让我们计算一下这个策略的累积收益来分析它的表现。

累计收益计算步骤如下:

•  生成黄金价格的每日百分比变化

•  当第二天的预测价格高于当天的预测价格时,创建一个以“1”表示的买入交易信号

•  通过将每日百分比变化乘以交易信号来计算策略回报。

•  最后,我们将绘制累积收益图 

  1. gold = pd.DataFrame()  
  2. gold['price'] = Df[t:]['Close']  
  3. gold['predicted_price_next_day'] = predicted_price  
  4. gold['actual_price_next_day'] = y_test  
  5. gold['gold_returns'] = gold['price'].pct_change().shift(-1)  
  6. gold['signal'] = np.where(gold.predicted_price_next_day.shift(1) < gold.predicted_price_next_day,1,0)  
  7. gold['strategy_returns'] = gold.signal * gold['gold_returns']  
  8. ((gold['strategy_returns']+1).cumprod()).plot(figsize=(10,7),color='g' 
  9. plt.ylabel('Cumulative Returns')  
  10. plt.show() 

输出如下:

我们还将计算夏普比: 

  1. sharpe = gold['strategy_returns'].mean()/gold['strategy_returns'].std()*(252**0.5)  
  2. 'Sharpe Ratio %.2f' % (sharpe)  

输出如下:

'Sharpe Ratio 1.06'

预测每日价格

您可以使用以下代码来预测黄金价格,并给出我们应该购买 GLD 还是不持仓的交易信号: 

  1. import datetime as dt  
  2. current_date = dt.datetime.now()  
  3. data = yf.download('GLD', '2008-06-01', current_date, auto_adjust=True 
  4. data['S_3'] = data['Close'].rolling(window=3).mean()  
  5. data['S_9'] = data['Close'].rolling(window=9).mean()  
  6. datadata = data.dropna()  
  7. data['predicted_gold_price'] = linear.predict(data[['S_3', 'S_9']])  
  8. data['signal'] = np.where(data.predicted_gold_price.shift(1) < data.predicted_gold_price,"Buy","No Position")  
  9. data.tail(1)[['signal','predicted_gold_price']].T 

输出如下:

 

 

责任编辑:庞桂玉 来源: Python中文社区
相关推荐

2018-02-25 19:02:45

Python机器学习算法

2017-09-06 16:40:51

机器学习Airbnb预测房价

2022-02-21 16:05:26

机器学习优势Python

2022-06-09 09:14:31

机器学习PythonJava

2021-08-21 14:30:58

机器学习bilibili股价

2021-08-23 11:15:20

Python机器学习bilibili

2021-05-16 17:44:08

Python比特币价格

2020-08-06 16:37:25

机器学习技术股票

2021-07-29 13:06:29

Python机器学习编程语言

2021-03-30 23:10:47

数据科学机器学习二分类

2020-07-27 08:00:01

机器学习技术人工智能

2016-04-08 15:04:37

人工智能阿里小Ai

2021-06-04 10:31:41

PythonUniswap加密货币

2017-05-03 19:08:10

机器学习

2018-03-20 15:33:05

深度学习加密货币

2012-07-27 16:12:26

景良东

2019-08-05 13:20:50

LogreducePython机器学习

2020-01-31 16:08:00

​机器学习数据技术

2017-07-25 12:09:10

机器学习预测性维护模型

2018-08-30 14:58:12

机器学习磁盘故障
点赞
收藏

51CTO技术栈公众号