點寬專欄——教你如何應用樸素貝葉斯分類器進行股價趨勢分類預測_數字資產

樸素貝葉斯分類器進行股價趨勢分類預測

原理

貝葉斯定理

模型思想

1、在風險識別中，貝葉斯模型本質上也是一種已知結果找原因的思維工具。

2、在風險決策中，利用貝葉斯模型的基本思想是充分利用先驗信息，將先驗分布和抽樣分布整合成后驗分布，從而利用后驗分布進行決策。如果有新的信息，則更新后驗分布，實現遞歸決策方案。從而得到最優策略，使得決策風險盡可能低。在概率統計的表述是：應用所觀察到的現象對有關概率分布的主觀判斷進行修正的標準方法。

3、在分類預測中，樸素貝葉斯的思想基礎是這樣的：對于給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬于哪個類別。

概率論基礎

要理解貝葉斯模型，必須先理解貝葉斯定理。貝葉斯定理實際上就是計算“條件概率”的公式。

紐約梅隆銀行數字資產主管：2022年的加密熊市不會動搖機構對數字資產的興趣:2月9日消息，紐約梅隆銀行數字資產主管Michael Demissie堅信，2022年加密貨幣市場的下跌不會動搖機構對數字資產的興趣。

在2月8日由Afore Consulting舉辦的一次會議上，Demissie表示，數字資產行業“將繼續存在”，因為機構投資者對加密貨幣有著濃厚的興趣。他說：“我們看到的是，客戶對數字資產絕對感興趣。”

Demissie引用了紐約梅隆銀行在2022年10月進行的一項調查，該調查發現91%的托管銀行客戶對投資基于區塊鏈的代幣化產品感興趣。

調查還發現，86%的機構投資者正在采取“買入并持有”策略，這可能表明他們將加密貨幣市場視為長期投資。還有88%的受訪者還表示，2022年加密貨幣市場的嚴重低迷并沒有改變他們長期投資數字資產領域的計劃。

此前金色財經報道，紐約梅隆銀行首席執行官Robin Vince在財報電話會議上表示，數字資產是該銀行“最長期的投資”，并承認銀行必須適應技術變革。然而，Vince也指出，重點不會放在加密貨幣本身，而是更多地放在“數字資產和分布式賬本技術中存在的更廣泛機會”。

Vince在電話中還表示，他不相信加密貨幣在不久的將來會成為銀行的主要收入來源。根據他的說法，預計數字資產從收入的角度來看，可能在未來整整五年里可以忽略不計。（路透社）[2023/2/9 11:56:41]

條件概率

Genesis提交第11章破產申請文件，資產和負債估計在10億至100億美元之間:1月20日消息，Genesis向紐約南區美國破產法院提交Chapter 11破產申請文件，Genesis列出的資產和負債估計在10億至100億美元之間。Genesis表示，將由委員會監督重組的所有方面，現有手頭現金超過1.5億美元。貸款業務的新貸款發放仍處于停滯狀態。[2023/1/20 11:22:42]

條件概率，是指在事件B發生的情況下，事件A發生的概率，用P(A|B)來表示。其公式為：

上式可轉化為：

稱為乘法公式。

全概率公式

設試驗E的樣本空間為S，A為E的事件，B1，B2，…，Bn為S的一個劃分，則全概率公式為：

模型公式

公式

通常，事件A在事件B(發生)的條件下的概率，與事件B在事件A的條件下的概率是不一樣的；然而，這兩者是有確定的關系,貝葉斯法則就是這種關系的陳述。

阿里云設立國際能力中心:金色財經報道，今天，在阿里云新加坡峰會上，阿里云宣布進一步加大海外投入，在新加坡設立國際能力中心，全面升級海外服務體系，以增強對海外市場及客戶的技術支持和服務能力。國際能力中心包括產品、生態、運營、品牌四個領域。過去，阿里云主要為國際市場提供通用型產品；在國際技術中心和運營中心落成后，將設立本地產品創新團隊，針對國際市場的需求，設計更符合當地特性的產品服務和解決方案，及時響應客戶需求。

阿里云國際事業部總裁袁千表示，阿里云致力于持續支持全球企業的數字化轉型之旅，幫助他們發展業務并實現數字化創新；此次在新加坡設立國際能力中心、加強團隊建設，是為了更好地了解市場、貼近客戶和伙伴需求，為客戶帶來最好的服務和技術支持。[2023/1/9 11:02:45]

設試驗E的樣本空間為S，A為E的事件，B1，B2，…，Bn為S的一個完備事件組，則：

其中：P(Bi)：Bi的先驗概率或邊緣概率。之所以稱為“先驗”是因為它不考慮A任何因素的影響。P(Bi|A)：已知A發生后Bi的條件概率，即由于得知A的取值而被稱作Bi的后驗概率。P(A|Bi)：已知Bi發生后A的條件概率，即由于得知Bi的取值而被稱作A的后驗概率。P(A)：A的先驗概率或邊緣概率，也作標準化常量

美聯儲梅斯特：傾向于在2023年初將利率提高到4%以上:金色財經消息，美聯儲梅斯特重申，她傾向于在2023年初將利率提高到4%以上，得出通脹已經見頂的結論為時尚早。（金十）[2022/8/31 13:00:46]

解析

根據貝葉斯公式：

當A為特征向量，Bi(i=1,2,…,n)為分類標簽時。貝葉斯模型就可以進行分類預測。例如，在對股價進行分類中，特征向量A可以是各種技術指標或K線量價特征。而Bi(i=1,2,3)對應于給定方向上的實際價格變動的事件，其有三個可能的選項:B1=-1“向下”,B2=0“不確定”,B3=1“向上”。我們就可以根據歷史數據來進行分類預測，而預測結果的可能性可以用P(Bi|A)表示，分類級別很簡單：P(Bi|A)越大，則屬于該類別的可能性也越大。該分類方法也被稱為樸素貝葉斯分類器

實踐

以太坊短時回升至1,500美元上方:行情顯示，以太坊短時回升至1,500美元上方，現報價1,495.29美元，24小時漲幅1.4%。[2022/8/29 12:55:56]

樸素貝葉斯模型在股票價格趨勢分類預測的應用

步驟

樸素貝葉斯分類器的具體步驟如下：

step1：設x={a1,a2,…,an}為一個待分類項，而每個a為x的一個特征屬性。

step2：有類別標簽集合C={y1,y2,…,ym}。

step3：根據貝葉斯公式，計算P(y1|x),P(y2|x),…,P(ym|x)。

step4：如果，P(yk|x)=max{P(y1|x),P(y2|x),…,P(ym|x。，則x被分到yk類別。

重點

關鍵就是如何計算第3步中的各個條件概率。

我們可以這么做：

step1：找到一個已知分類的待分類項集合，這個集合叫做訓練樣本集。

step2：統計得到在各類別下各個特征屬性的條件概率估計。即：

step3：如果各個特征屬性是條件獨立的，則根據貝葉斯定理有如下推導：

因為分母對于所有類別為常數，因為我們只要將分子最大化皆可。又因為各特征屬性是條件獨立的，所以有：

其中，1/N為常數。

因此，樸素貝葉斯分類器過程是利用樣本集統計出各特征屬性的條件概率以及分類標簽的概率。然后根據以上步驟對待分類項進行分類預測。

心得

可以看到，整個樸素貝葉斯分類分為三個階段：

第一階段——準備工作階段，這個階段的任務是為樸素貝葉斯分類做必要的準備，主要工作是根據具體情況確定特征屬性，并對每個特征屬性進行適當劃分，然后由人工對一部分待分類項進行分類，形成訓練樣本集合。這一階段的輸入是所有待分類數據，輸出是特征屬性和訓練樣本。這一階段是整個樸素貝葉斯分類中唯一需要人工完成的階段，其質量對整個過程將有重要影響，分類器的質量很大程度上由特征屬性、特征屬性劃分及訓練樣本質量決定。

第二階段——分類器訓練階段，這個階段的任務就是生成分類器，主要工作是計算每個類別在訓練樣本中的出現頻率及每個特征屬性劃分對每個類別的條件概率估計，并將結果記錄。其輸入是特征屬性和訓練樣本，輸出是分類器。這一階段是機械性階段，根據前面討論的公式可以由程序自動計算完成。

第三階段——應用階段。這個階段的任務是使用分類器對待分類項進行分類，其輸入是分類器和待分類項，輸出是待分類項與類別的映射關系。這一階段也是機械性階段，由程序完成。

應用

下面我們利用樸素貝葉斯模型對股票價格趨勢進行分類預測：

屬性劃分

對屬性的確定并對屬性進行適當劃分是非常重要的。這里為了簡單起見，我們利用當日的漲跌狀態、RSI指標、RSRS指標、CCI指標做為特征屬性。而實際價格趨勢為分類標簽。根據指標的常用方法對特征屬性進行劃分，其劃分如下表：

分類訓練

本文利用股市滬深300的所有成分股N天歷史數據作為訓練樣本。以當前天的下一交易日實際價格漲跌狀態為分類標簽進行分類器訓練。訓練樣本量為：3萬。

利用2018年5月1日之前的N天的樣本數據為訓練樣本，訓練結果如下表：

分類預測

預測2018年5月2日-5月15日這10個交易日價格漲跌趨勢。利用該段時間滬深300成分股的實際價格漲跌檢驗分類預測價格漲跌趨勢的準確率，如下表所示：

總結

簡單的利用貝葉斯模型對股價進行分類預測有一定的合理性。如果想要提高貝葉斯模型分類預測的準確性，我們可以從下面兩方面出發：

1、從貝葉斯模型的特征屬性出發，深入研究和挖掘更多有用的特征屬性，并合理地劃分每一個特征屬性的范圍。

2、選擇合適的訓練樣本集進行研究，可以按行業分類選擇具有相同趨勢的股票進行訓練及預測。

拓展

波動率估計

波動率模型，尤其是隨機波動率模型在金融領域有著廣泛的應用，這就使得模型的參數估計成為一個非常重要的問題。貝葉斯估計在隨機波動率模型上是十分普遍并應用廣泛的參數估計方法。

有興趣的同學可以查閱相關資料，利用貝葉斯估計方法對波動率模型進行參數估計。

來源：金色財經

Tags：數字資產STESTEPTEP數字資產評估STEWIE幣STEPDstepg幣背景

芝麻開門交易所