隐马尔科夫模型研究 stock 以及 lotto-白红宇

说明

本文参考了

由于数据是连续的，因此使用了高斯隐马尔科夫模型：gaussianHMM

一、stock代码

import tushare as tsimport pandas as pdimport numpy as npfrom hmmlearn.hmm import GaussianHMMfrom matplotlib import cm, pyplot as pltimport seaborn as snssns.set_style('white')'''假定隐藏状态数目为4，观测状态数目为2'''# 1.准备 X df = ts.get_hist_data('sh',start='2014-01-01',end='2017-07-27')[::-1] # 上证指数close = np.log(df['close'])low, high = np.log(df['low']), np.log(df['high'])t = 5X = pd.concat([close.diff(1), close.diff(t), high-low], axis=1)[t:] # 显状态时间序列（观测得到）# 2.拟合 HMMmodel = GaussianHMM(n_components=6, covariance_type="diag", n_iter=1000).fit(X)Z = model.predict(X) # 隐状态时间序列# 3.画图看看plt.figure(figsize=(12, 7))  for i in range(model.n_components):    mask = (Z==i) # 注意这里的Z!!!    plt.plot_date(df.index[t:][mask], df['close'][t:][mask],'.',label=f'{i}th hidden state',lw=1)    plt.legend()    plt.grid(1)plt.show()

效果图

解释

下面是对6种隐状态的一种可能的解释：【图文对不上，文字来自】

状态0————蓝色————震荡下跌

状态1————绿色————小幅的上涨

状态2————红色————牛市上涨

状态3————紫色————牛市下跌

状态4————黄色————震荡下跌

状态5————浅蓝色————牛市下跌
以上的意义归结是存在一定主观性的。因为HMM模型对输入的多维度观测变量进行处理后，只负责分出几个类别，而并不会定义出每种类别的实际含义。所以我们从图形中做出上述的判断。

所以，这种方法本质上是一种 Classification（分类）或者 Clustering（聚类）

二、lotto 代码

import tushare as tsimport pandas as pdimport numpy as npfrom hmmlearn.hmm import GaussianHMMfrom matplotlib import cm, pyplot as pltfrom matplotlib.widgets import MultiCursorimport seaborn as snssns.set_style('white')import marksix_1import talib as ta'''假定隐藏状态数目为6，观测状态数目为4'''# 1.准备 X lt = marksix_1.Marksix()lt.load_data(period=1000)#series = lt.adapter(loc='0000001', zb_name='ptsx', args=(1,), tf_n=0)m = 2series = lt.adapter(loc='0000001', zb_name='mod', args=(m, lt.get_mod_list(m)), tf_n=0)# 实时线close = np.cumsum(series).astype(float)# 低阶数据t1, t2, t3 = 5, 10, 20ma1 = ta.MA(close, timeperiod=t1, matype=0)std1 = ta.STDDEV(close, timeperiod=t1, nbdev=1)ma2 = ta.MA(close, timeperiod=t2, matype=0)std2 = ta.STDDEV(close, timeperiod=t2, nbdev=1)ma3 = ta.MA(close, timeperiod=t3, matype=0)std3 = ta.STDDEV(close, timeperiod=t3, nbdev=1)# 转换一'''t = t3X = pd.DataFrame({'ma1':ma1,'ma2':ma2,'ma3':ma3,'std1':std1,'std2':std2,'std3':std3}, index=lt.df.index)[t:]'''# 转换二t = t2X = pd.DataFrame({
     'ma1':ma1,'ma2':ma2,'std1':std1,'std2':std2}, index=lt.df.index)[t:]#close = np.log(df['close'])#low, high = np.log(df['low']), np.log(df['high'])#t = 5#X = pd.concat([close.diff(1), close.diff(t), high-low], axis=1)[t:] # 显状态时间序列（观测得到）# 2.拟合 HMMmodel = GaussianHMM(n_components=6, covariance_type="diag", n_iter=1000).fit(X)Z = model.predict(X) # 隐状态时间序列# 3.画图看看fig, axes = plt.subplots(2, 1, sharex=True)ax1, ax2 = axes[0], axes[1]show_period = 300# 布林线upperband, middleband, lowerband = ta.BBANDS(close, timeperiod=5, nbdevup=2, nbdevdn=2, matype=0)axes[0].plot_date(lt.df.index[-show_period:], close[-show_period:], 'rd-', markersize = 3)axes[0].plot_date(lt.df.index[-show_period:], upperband[-show_period:], 'y-')axes[0].plot_date(lt.df.index[-show_period:], middleband[-show_period:], 'b-')axes[0].plot_date(lt.df.index[-show_period:], lowerband[-show_period:], 'y-')for i in range(model.n_components):    mask = (Z[-show_period:]==i) # 注意这里的Z!!!    axes[1].plot_date(lt.df.index[-show_period:][mask], close[-show_period:][mask],'d',markersize=3,label=f'{i}th hidden state',lw=1)    axes[1].legend()    axes[1].grid(1)multi = MultiCursor(fig.canvas, (axes[0], axes[1]), color='b', lw=2)plt.show()

说明

一、stock代码

效果图

解释

所以，这种方法本质上是一种 Classification（分类） 或者 Clustering（聚类）

二、lotto 代码

效果图

所以，这种方法本质上是一种 Classification（分类）或者 Clustering（聚类）