くぴんのブログ

udemyの以下の講座に株価予測の内容があったので、ちょっと改造してそれを１０年間の日経平均株価に適用してみた。

https://www.udemy.com/learning-ai/learn/v4/content

連続４日間の値動きから５日目の上がり(1)、下がり(0)を予測する。

期間：2007.7.13〜2017.7.13


使ったコード (python3対応、インデントが壊れている)
-----
import pandas as pd
from sklearn import svm

# ファイルの読み込み
df=pd.read_csv("998407 from 2007-7-13 to 2017-7-13.csv", header=None)

# 株価の上昇率を算出、おおよそ-1.0-1.0の範囲に収まるように調整
modified_data = []
for i in range(1, len(df)):
modified_data.append((df[1][i] - df[1][i-1])/float(df[1][i-1]) * 20)

# 前日までの4連続の上昇率のデータ
successive_data = []
print("正解値 価格上昇: 1 価格低下: 0")
answers = []
for i in range(4, len(modified_data)):
successive_data.append([modified_data[i-4], modified_data[i-3], modified_data[i-2], modified_data[i-1]])
if modified_data[i] > 0:
answers.append(1)
else:
answers.append(0)

print("データ数")
n = len(successive_data)
print(n)
m = len(answers)
# print m

# 線形サポートベクターマシーン
clf = svm.LinearSVC()
print("サポートベクターマシーンによる訓練 （データの最初の75%を訓練に使用）")
print(int(n*75/100))
clf.fit(successive_data[:int(n*75/100)], answers[:int(n*75/100)])

print("テスト用データ (データの最後の25%をテストに使用）")
print(int(n*25/100))
# 正解
expected = answers[-int(n*25/100):]
# 予測
predicted = clf.predict(successive_data[-int(n*25/100):])

print("末尾の10個を比較")
print(expected[-10:])
print(list(predicted[-10:]))

# 正解率の計算
correct = 0.0
wrong = 0.0
for i in range(int(n*25/100)):
if expected[i] == predicted[i]:
correct += 1
else:
wrong += 1
print("正解:",correct)
print("テストデータ数:",int(n*25/100))
print("正解率: " + str(correct / (correct+wrong) * 100) + "%")
-----
↓実行結果

正解値 価格上昇: 1 価格低下: 0
データ数
2446
サポートベクターマシーンによる訓練 （データの最初の75%を訓練に使用）
1834
テスト用データ (データの最後の25%をテストに使用）
611
末尾の10個を比較
[0, 1, 0, 1, 0, 0, 1, 1, 0, 1]
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
正解: 328.0
テストデータ数: 611
正解率: 50.90016366612111%
>>>
正解率がほぼ50%ということは、まったく役に立たないということだ。
もっと工夫が必要ということだな。。



にほんブログ村