Python+机器学习寻找股票交易信号，跟着技巧的发达，机械研习和深度研习正在金融资产量化咨询上的运用越来越渊博和深刻。目前，洪量数据科学家正在Kaggle网站上揭橥了行使机械研习/深度研习模子对股票、期货、比特币等金融资产做预测和说明的作品。从金融投资的角度看，这些作品大概缺乏必然的外面根蒂支柱（或往还思想），多半是基于数据发掘。但从量化的角度看，有许众值得咱们研习参考的地方，加倍是Pyhton的深刻运用、数据可视化和机械研习模子的评估与优化等。下面模仿》，以上证指数为例，修建双均线往还战略，以往还信号为方针变量，以技巧说明目标动作预测特色变量，行使众种机械研习模子举行比较评估和优化。文中的特色变量修建和提取，机械研习模子的比较评估和结果可视化都是很好的参考模板。

　　以往还信号动作方针变量，行使价值讯息和技巧目标动作特色变量举行预测说明。以双均线往还战略为例，当短期均线向上冲破长远均线时造成买入信号（设定为1），当短期均线向下跌破长远均线时发出卖出信号（设定为0），然后再行使机械研习模子举行预测和评估。这里将短期搬动均匀值(SMA1)和长远搬动均匀值(SMA2)的参数分袂成立为10和60，二者的设定具有必然的放肆性，参数的抉择会影响后续结果，因而理思情景下需求举行参数优化来找到最优值。

　　7,0.5))而今的特色open、high、low、close、volumes与方针变量的线性相干值相当小，这大概意味着存正在高非线性，相对安稳值的安宁振荡(圆形散射)，或者也许它们不是理思的预测特色变量，因而下面需求举行特色修建和采取。

　　随机振荡器%K和%D:随机振荡器是一个动量指示器，较量特定的证券收盘价和必然功夫内的价值边界。%K、%D分袂为慢、疾目标。

　　相对强弱指数(RSI):动量目标，量度比来价值改变的幅度，以评估股票或其他资产的价值超买或超卖情景。

　　改变率(ROC):动量振荡器，丈量而今价值和n期过去价值之间的百分比改变。ROC值越高越有大概超买，越低大概超卖。

　　15,0.5))上图可能看到光鲜线性相干的一组特色是动作特色工程的结果创筑的。若是正在特色矩阵中行使基础数据集特色，很大概对方针变量的改变影响很小或没有影响。另一方面，新创筑的特色具有相当宽的相干值边界，这是相当主要的;与方针变量（往还信号）的相干性不算非常高。

　　结果显示，cross_val_score踯躅正在切实度= 0.5的区域，这注明仅行使指数/股票的价值数据（开盘、最高、最低、成交量、收盘）很难切实预测价值转变的倾向性。

　　人人半模子的锻炼得分往往高于交叉验证得分。无意思的是，DecisionTreeClassifier & RandomForest纵然很少推断可能到达相当高的分数，但交叉验证的得分却很低，注明对锻炼数据大概存正在太甚拟合了。

　　线性判别说明(LDA)的再现相当大凡，不光正在锻炼集上，况且正在交叉验证中，得显露显进步。毫无疑义，更繁杂的模子GBM,XGB,CAT,RF正在全样本中评估得分较高。与有监视研习模子比拟，kNN和GaussianNB的无监视模子再现较差。

　　注视到，看待许众特色，相干性(Pearson’s value)小的正在其他设施中也会给出小的得分值。同样，高相干的特色正在其他特色主要性设施中得分也很高。当道到特色的主要性时，有少少特色显示出少少微小的不相同，总的来说，人人半设施都可能查察到特色评分的似乎性。正在机械研习中，某些特色看待人人半设施来说都有一个相当低的相对分数值，以是大概没有什么影响，纵然把它们删除，也不会低浸模子的切实性。删除大概不受影响的特质将使全体设施愈加有用，同时可能专一于更长和更深刻的超参数网格查找，大概获得比历来模子更切实的结果。

　　结果显示，删掉预测才力较弱的特色后，某些机械研习设施的预测得分进步了，如线性判别（LDA）、计划树（TREE）和随机丛林（RF）等。

　　本文只是以上证指数为例，以技巧目标动作特色，行使机械研习算法对股票往还信号（注视这里不是股价或收益率）举行预测评估，主意正在于向读者涌现Python机械研习正在金融量化咨询上的运用。从金融维度来看，说明的深度较浅，实质上对股价预测有效的特色有许众，蕴涵（1）外正在身分， 如股票相干公司的

　　逐鹿敌手、客户、环球经济、地缘政事时事、财务和货泉计谋、血本获取等。以是，公司股价大概不光与其他公司的股价相干，还与大宗商品、外汇、广义指数、以至固定收益证券等其他资产相干；（2）股价墟市身分，如许众投资者闭心技巧目标。（3）公司基础面身分，如公司的年度和季度申报可能用来提取或确定环节目标，如净资产收益率(ROE)和市盈率(price -to - earnings)。其它，讯息可能预示即将发作的事项，这些事项大概会促使股价向某个倾向发达。当闭心股票价值预测时，咱们可能行使仿佛的设施来修建影响预测变量的身分，生气本文能起到扔砖引玉的效力。材料泉源：