机器学习股价预测（使用多种模型实现）

文件说明

• forecast.py 数据处理、可视化、模型调用
• myutils.py 数据处理工具
• models.py 模型定义
• AMZN.csv 时间序列预测使用的数据集，为2010.01-2022.06的Amazon 股价变化情况，来自Kaggle
• backtest.py 回测
• draw_line.py 回测结果展示，backtest.py中自动调用
• 各月股票队列.xlsx 回测时使用的股票队列，日期范围为2020.04-2020.12，来自参考项目2
• 个股持有情况分析.xlsx 回测结果文件
• 持有期收益率情况图.html 回测结果图，需要pyecharts打开
• 每日资金情况图.html 回测结果图，需要pyecharts打开

环境配置

需要python3.8，其他依赖使用pip install -r requirements.txt命令安装

运行说明

• 时间序列预测
  运行命令python forecast.py --model $modelname
  运行时将$modelname替换为下面9种模型名称之一：

  1. linearRegression
  2. DeterministProcess
  3. RelativeStrengthIndex
  4. ARIMA
  5. DecisionTree
  6. KNN
  7. LSTM
  8. Prophet
  9. SVM

• 回测
  运行命令python backtest.py

实验结果

linearRegression:
  Model train accuracy: 99.923%
  Model test accuracy: 98.442%
  Model train MAE: 0.424
  Model train RMSE: 0.800
  Model test MAE: 2.338
  Model test RMSE: 3.252
DeterministProcess
  Model train accuracy: 99.923%
  Model test accuracy: 98.443%
  Model train MAE: 0.425
  Model train RMSE: 0.799
  Model test MAE: 2.339
  Model test RMSE: 3.251
ARIMA
  Best model:  ARIMA(0,1,0)(2,1,0)[12]          
  Total fit time: 47.517 seconds
  Model test MAE: 73.689
  Model test RMSE: 80.137
KNN
  Model test MAE: 47.711
  Model test RMSE: 53.677
LSTM
  Model test MAE: 4.349
  Model test RMSE: 5.701
Prophet
  Model test MAE: 39.901
  Model test RMSE: 44.794
SVM
	accuracy=52.31%
DecisionTree
	train accuracy: 0.550400
  test accuracy: 0.476266
  roc: 0.500000
RelativeStrengthIndex
	{'超买市场（RSI>=80）且实际下跌': 131, '超买市场（RSI>=80）但实际上涨': 127, '强势市场（50<=RSI<80）且实际下跌': 760, '强势市场（50<=RSI<80）但实际上涨': 858, '弱式市场（50>RSI>=20）且实际上涨': 640, '弱式市场（50>RSI>=20）但实际下跌': 547, '超卖市场（RSI<20）且实际上涨': 32, '超卖市场（RSI<20）但实际下跌': 22}

Model	MAE	RMSE
linearRegression	2.338	3.252
DeterministProcess	2.339	3.251
ARIMA	73.689	80.137
KNN	47.711	53.677
LSTM	4.349	5.701
Prophet	39.901	44.794

参考项目

纯机器学习预测（不涉及因子建模）

1. https://www.kaggle.com/code/nedahs/apple-stock-time-series-ml-models/notebook
2. https://github.com/moyuweiqing/A-stock-prediction-algorithm-based-on-machine-learning
3. https://github.com/LightingFx/hs300_stock_predict

多因子分析及预测（已放弃）

• https://github.com/phonegapX/alphasickle
• https://github.com/JoshuaWu1997/EMD-ALSTM-Multi-Factor-Stock-Profit-Prediction