首页量化学习正文

Python自动化炒股：利用CatBoost和XGBoost进行股票市场预测的实战案例

量化学习 2024-06-09 2915

Python 自动化炒股：利用CatBoost和XGBoost进行股票市场预测的实战案例

在当今快节奏的金融市场中，自动化交易系统因其高效率和客观性而受到投资者的青睐。本文将带你深入了解如何使用Python中的CatBoost和XGBoost算法来构建一个股票市场预测模型。我们将通过一个实战案例，展示如何从数据预处理到模型训练，再到预测结果的应用。

1. 引言

在自动化炒股领域，机器学习算法因其强大的预测能力而备受瞩目。CatBoost和XGBoost是两种流行的梯度提升算法，它们在处理分类和回归问题时表现出色。本文将通过一个实战案例，展示如何利用这两种算法对股票市场进行预测。

2. 数据收集

首先，我们需要收集股票市场的数据。这里我们使用yfinance库来获取数据。

import yfinance as yf

# 获取苹果公司股票数据
data = yf.download('AAPL', start='2020-01-01', end='2023-01-01')
print(data.head())

3. 数据预处理

数据预处理是机器学习中的关键步骤。我们需要处理缺失值、异常值，并进行特征工程。

import pandas as pd

# 处理缺失值
data.fillna(method='ffill', inplace=True)

# 特征工程：计算技术指标
data['SMA_50'] = data['Close'].rolling(window=50).mean()
data['SMA_200'] = data['Close'].rolling(window=200).mean()

# 去除未来函数的影响
data.dropna(inplace=True)

4. 特征选择

在机器学习中，选择合适的特征对于模型的性能至关重要。我们将使用SelectKBest来选择最重要的特征。

from sklearn.feature_selection import SelectKBest, f_classif

# 定义特征和标签
X = data[['SMA_50', 'SMA_200']]
y = (data['Close'].shift(-1) > data['Close']).astype(int)  # 明日收盘价是否高于今日

# 特征选择
selector = SelectKBest(f_classif, k=2)
X_new = selector.fit_transform(X, y)

5. 模型训练

接下来，我们将使用CatBoost和XGBoost来训练模型。

from catboost import CatBoostClassifier
from xgboost import XGBClassifier

# CatBoost模型
cat_model = CatBoostClassifier(iterations=100, learning_rate=0.1, depth=5)
cat_model.fit(X_new, y)

# XGBoost模型
xgb_model = XGBClassifier(learning_rate=0.1, n_estimators=100, max_depth=5)
xgb_model.fit(X_new, y)

6. 模型评估

模型评估是检验模型性能的重要步骤。我们将使用交叉验证来评估模型。

from sklearn.model_selection import cross_val_score

# 交叉验证
cat_scores = cross_val_score(cat_model, X_new, y, cv=5)
xgb_scores = cross_val_score(xgb_model, X_new, y, cv=5)

print(f"CatBoost Accuracy: {cat_scores.mean()}")
print(f"XGBoost Accuracy: {xgb_scores.mean()}")

7. 预测与应用

最后，我们将使用训练好的模型来进行预测，并应用到实际的股票交易中。

# 预测
last_day = data.iloc[-1]
last_features = [[last_day['SMA_50'], last_day['SMA_200']]]
cat_pred = cat_model.predict(last_features)
xgb_pred = xgb_model.predict(last_features)

# 应用预测结果
if cat_pred[0] == 1 and xgb_pred[0] == 1:
    print("Both models predict a rise in stock price. Consider buying.")
else:
    print("Models disagree or predict a fall. Consider selling or holding.")