目錄

1 集成模型簡介

1.1 Bagging算法簡介

1.2 Boosting算法簡介

2?隨機森林模型基本原理

3?使用sklearn實現隨機森林模型

4?案例：股票漲跌預測模型

4.1?股票衍生變量生成

4.1.1?獲取股票基本數據

4.1.2?生成簡單衍生變量

4.1.3?生成移動平均線指標MA值

4.1.4?用TA-Lib庫生成相對強弱指標RSI值

4.1.5?用TA-Lib庫生成動量指標MOM值

4.1.6?用TA-Lib庫生成指數移動平均值EMA

4.1.7?用TA-Lib庫生成異同移動平均線MACD值

4.2?模型搭建

4.2.1?引入需要搭建的庫

4.2.2?獲取數據

4.2.3?提取特征變量和目標變量

4.2.4?劃分訓練集和測試集

?4.2.5?模型搭建

4.3?模型評估與使用

4.3.1?預測下一天的股價漲跌情況

4.3.2?模型準確度評估

4.3.3?分析特征變量的特征重要性

4.4?參數調優

?4.5?收益回測曲線繪制

參考書籍

---

1 集成模型簡介

集成學習模型使用一系列弱學習器（也稱為基礎模型或基模型）進行學習，并將各個弱學習器的結果進行整合，從而獲得比單個學習器更好的學習效果。

集成學習模型的常見算法有Bagging算法和Boosting算法兩種。

Bagging算法的典型機器學習模型為隨機森林模型，而Boosting算法的典型機器學習模型則為AdaBoost、GBDT、XGBoost和LightGBM模型。

1.1 Bagging算法簡介

Bagging算法的原理類似投票，每個弱學習器都有一票，最終根據所有弱學習器的投票，按照“少數服從多數”的原則產生最終的預測結果，如下圖所示。

假設原始數據共有10000條，從中隨機有放回地抽取10000次數據構成一個新的訓練集（因為是隨機有放回抽樣，所以可能出現某一條數據多次被抽中，也有可能某一條數據一次也沒有被抽中），每次使用一個訓練集訓練一個弱學習器。這樣有放回地隨機抽取n次后，訓練結束時就能獲得由不同的訓練集訓練出的n個弱學習器，根據這n個弱學習器的預測結果，按照“少數服從多數”的原則，獲得一個更加準確、合理的最終預測結果。

具體來說，在分類問題中是用n個弱學習器投票的方式獲取最終結果，在回歸問題中則是取n個弱學習器的平均值作為最終結果。

1.2 Boosting算法簡介

Boosting算法的本質是將弱學習器提升為強學習器，它和Bagging算法的區別在于：Bagging算法對待所有的弱學習器一視同仁；而Boosting算法則會對弱學習器“區別對待”，通俗來講就是注重“培養精英”和“重視錯誤”。

“培養精英”就是每一輪訓練后對預測結果較準確的弱學習器給予較大的權重，對表現不好的弱學習器則降低其權重。這樣在最終預測時，“優秀模型”的權重是大的，相當于它可以投出多票，而“一般模型”只能投出一票或不能投票。

“重視錯誤”就是在每一輪訓練后改變訓練集的權值或概率分布，通過提高在前一輪被弱學習器預測錯誤的樣例的權值，降低前一輪被弱學習器預測正確的樣例的權值，來提高弱學習器對預測錯誤的數據的重視程度，從而提升模型的整體預測效果。

2?隨機森林模型基本原理

隨機森林（Random Forest）是一種經典的Bagging模型，其弱學習器為決策樹模型。如下圖所示，隨機森林模型會在原始數據集中隨機抽樣，構成n個不同的樣本數據集，然后根據這些數據集搭建n個不同的決策樹模型，最后根據這些決策樹模型的平均值（針對回歸模型）或者投票情況（針對分類模型）來獲取最終結果。

為了保證模型的泛化能力（或者說通用能力），隨機森林模型在建立每棵樹時，往往會遵循“數據隨機”和“特征隨機”這兩個基本原則。

數據隨機：從所有數據當中有放回地隨機抽取數據作為其中一個決策樹模型的訓練數據。例如，有1000個原始數據，有放回地抽取1000次，構成一組新的數據，用于訓練某一個決策樹模型。

特征隨機：如果每個樣本的特征維度為M，指定一個常數k＜M，隨機地從M個特征中選取k個特征。

與單獨的決策樹模型相比，隨機森林模型由于集成了多個決策樹，其預測結果會更準確，且不容易造成過擬合現象，泛化能力更強。

3?使用sklearn實現隨機森林模型

隨機森林模型既能進行分類分析，又能進行回歸分析，對應的模型分別為：

? ? ? ? ·隨機森林分類模型（RandomForestClassifier）

? ? ? ? ·隨機森林回歸模型（RandomForestRegressor）

隨機森林分類模型的弱學習器是分類決策樹模型，隨機森林回歸模型的弱學習器則是回歸決策樹模型。

代碼如下。

from sklearn.ensemble import RandomForestClassifier X = [[1,2],[3,4],[5,6],[7,8],[9,10]] y = [0,0,0,1,1]# 設置弱學習器數量為10 model = RandomForestClassifier(n_estimators=10,random_state=123) model.fit(X,y)model.predict([[5,5]])# 輸出為：array([0])

4?案例：股票漲跌預測模型

4.1?股票衍生變量生成

本節講解如何利用股票的基本數據獲取一些衍生變量數據，如股票技術分析常用的均線指標5日均線價格MA5與10日均線價格MA10、相對強弱指標RSI、動量指標MOM、指數移動平均值EMA、異同移動平均線MACD等。

4.1.1?獲取股票基本數據

首先用get_k_data()函數獲取2015-01-01到2019-12-31的股票基本數據，代碼如下。

前5行數據如下圖所示，其中缺失的數據為節假日（非交易日）數據。

用set_index()函數將date列設置為行索引，代碼如下。

4.1.2?生成簡單衍生變量

通過如下代碼可以生成一些簡單的衍生變量數據。

close-open表示（收盤價-開盤價）/開盤價；

high-low表示（最高價-最低價）/最低價；

pre_close表示昨日收盤價，用shift（1）將close列的所有數據向下移動1行并形成新的1列，如果是shift（-1）則表示向上移動1行；

price_change表示今日收盤價-昨日收盤價，即當天的股價變化；

p_change表示當天股價變化的百分比，也稱為當天股價的漲跌幅。

4.1.3?生成移動平均線指標MA值

通過如下代碼可以生成股價的5日移動平均值和10日移動平均值。

注意：rolling函數的使用

其中，MA是移動平均線的意思，“平均”是指最近n天收盤的算術平均值，“移動”是指在計算中始終采用最近n天的價格數據。

例如：MA5的計算

?根據上述數據，5號的MA5值為（1.2＋1.4＋1.6＋1.8＋2.0）/5＝1.6，而6號的MA5值則為（1.4＋1.6＋1.8＋2.0＋2.2）/5＝1.8，依此類推。將一段時期內股價的移動平均值連成曲線，即為移動平均線。同理，MA10為從計算當天起前10天的股價平均值。

在計算像MA5這樣的數據時，因為最開始的4天數據量不夠，這4天對應的移動平均值是無法計算出來的，所以會產生空值NaN。通常會用dropna()函數刪除空值，以免在后續計算中出現因空值造成的問題，代碼如下。

可以看到16號以前的行被刪除。

4.1.4?用TA-Lib庫生成相對強弱指標RSI值

通過如下代碼可以生成相對強弱指標RSI值。

RSI值能反映短期內股價漲勢相對于跌勢的強弱，幫助我們更好地判斷股價的漲跌趨勢。

RSI值越大，漲勢相對于跌勢越強，反之則漲勢相對于跌勢越弱。

RSI值的計算公式如下。

舉例：

?根據上表數據，取N＝6，可求得6日平均上漲價格為（2＋2＋2）/6＝1，6日平均下跌價格為（1＋1＋1）/6＝0.5，所以RSI值為（1/（1＋0.5））×100＝66.7。

通常情況下，RSI值位于20～80之間，超過80則為超買狀態，低于20則為超賣狀態，等于50則認為買賣雙方力量均等。例如，如果連續6天股價都是上漲，則6日平均下跌價格為0，6日RSI值為100，表明此時股票買方處于非常強勢的地位，但也提醒投資者要警惕此時可能也是超買狀態，需要預防股價下跌的風險。

4.1.5?用TA-Lib庫生成動量指標MOM值

通過如下代碼可以生成動量指標MOM值。

MOM是momentum（動量）的縮寫，它反映了一段時期內股價的漲跌速度，計算公式如下。

舉例：

?假設要計算6號的MOM值，而前面的代碼中設置參數timeperiod為5，那么就需要用6號的收盤價減去1號的收盤價，即6號的MOM值為2.2-1.2＝1，同理，7號的MOM值為2.4-1.4＝1。將連續幾天的MOM值連起來就構成一條反映股價漲跌變動的曲線。

4.1.6?用TA-Lib庫生成指數移動平均值EMA

通過如下代碼可以生成指數移動平均值EMA。

EMA是以指數式遞減加權的移動平均，并根據計算結果進行分析，用于判斷股價未來走勢的變動趨勢。

EMA的計算公式如下。

其中，EMAtoday為當天的EMA值；Pricetoday為當天的收盤價；EMAyesterday為昨天的EMA值；α為平滑指數，一般取值為2/（N＋1），N表示天數，當N為6時，α為2/7，對應的EMA稱為EMA6，即6日指數移動平均值。公式不斷遞歸，直至第1個EMA值出現（第1個EMA值通常為開頭5個數的均值）。

舉例：EMA6

取第1個EMA值為開頭5個數的均值，故前5天都沒有EMA值；6號的EMA值就是第1個EMA值，為前5天的均值，即1；7號的EMA值為第2個EMA值，計算過程如下。

4.1.7?用TA-Lib庫生成異同移動平均線MACD值

通過如下代碼可以生成異同移動平均線MACD值。

MACD是股票市場上的常用指標，它是基于EMA值的衍生變量，計算方法比較復雜，感興趣的讀者可以自行了解。這里只需要知道MACD是一種趨勢類指標，其變化代表著市場趨勢的變化，不同K線級別的MACD代表當前級別周期中的買賣趨勢。

4.2?模型搭建

4.2.1?引入需要搭建的庫

# 導入相關庫 import tushare as ts import numpy as np import pandas as pd import talib import matplotlib.pyplot as plt from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score

4.2.2?獲取數據

# 1.股票基本數據獲取 import tushare as ts df = ts.get_k_data('000002',start='2015-01-01',end='2019-12-31') df = df.set_index('date')# 2.簡單衍生變量數據構造 df['close-open'] = (df['close'] - df['open']) / df['open'] df['high-low'] = (df['high'] - df['low']) / df['low'] df['pre_close'] = df['close'].shift(1) df['price_change'] = df['close'] - df['pre_close'] df['p_change'] = (df['close'] - df['pre_close']) / df['pre_close'] * 100# 3.移動平均線相關數據構造 df['MA5'] = df['close'].rolling(5).mean() df['MA10'] = df['close'].rolling(10).mean() df.dropna(inplace=True)# 4.通過TA-Lib庫構造衍生變量數據 df['RSI'] = talib.RSI(df['close'],timeperiod=12) df['MOM'] = talib.MOM(df['close'],timeperiod=5) df['EMA12'] = talib.EMA(df['close'],timeperiod=12) #12日指移動平均值數 df['EMA26'] = talib.EMA(df['close'],timeperiod=26) #26日指移動平均值數 df['MACD'],df['MACDsignal'],df['MACDhist'] = talib.MACD(df['close'],fastperiod=6,slowperiod=12,signalperiod=9) df.dropna(inplace=True)

4.2.3?提取特征變量和目標變量

X = df[['close','volume','close-open','MA5','MA10','high-low','RSI','MOM','EMA12','MACD','MACDsignal','MACDhist']] y = np.where(df['price_change'].shift(-1) > 0,1,-1)

?首先強調最核心的一點：應該是用當天的股價數據預測下一天的股價漲跌情況，所以目標變量y應該是下一天的股價漲跌情況。為什么是用當天的股價數據預測下一天的股價漲跌情況呢？這是因為特征變量中的很多數據只有在當天交易結束后才能確定（例如，收盤價close只有收盤了才有），所以當天正在交易時的股價漲跌情況是無法預測的，而等到收盤時盡管所需數據齊備，但是當天的股價漲跌情況已成定局，也就沒有必要預測了，所以是用當天的股價數據預測下一天的股價漲跌情況。

第2行代碼中使用了NumPy庫中的where()函數，傳入的3個參數的含義分別為判斷條件、滿足條件的賦值、不滿足條件的賦值。其中df['price_change'].shift（-1）是利用shift()函數將price_change（股價變化）這一列的所有數據向上移動1行，這樣就獲得了每一行對應的下一天的股價變化。因此，這里的判斷條件就是下一天的股價變化是否大于0，如果大于0，說明下一天股價漲了，則y賦值為1；如果不大于0，說明下一天股價不變或跌了，則y賦值為-1。預測結果就只有1或-1兩種分類。

4.2.4?劃分訓練集和測試集

這里需要注意的是，劃分要按照時間序列進行，而不能用train_test_split()函數進行隨機劃分。這是因為股價的變化趨勢具有時間性特征，而隨機劃分會破壞這種特征，所以需要根據當天的股價數據預測下一天的股價漲跌情況，而不能根據任意一天的股價數據預測下一天的股價漲跌情況。

將前90%的數據作為訓練集，后10%的數據作為測試集，代碼如下。

X_length = X.shape[0] split = int(X_length * 0.9) X_train,X_test = X[:split],X[split:] y_train,y_test = y[:split],y[split:]

?4.2.5?模型搭建

model = RandomForestClassifier(max_depth=3,n_estimators=10,min_samples_leaf=10,random_state=123) model.fit(X_train,y_train)

?設置模型參數：決策樹的最大深度max_depth設置為3，即每個決策樹最多只有3層；弱學習器（即決策樹模型）的個數n_estimators設置為10，即該隨機森林中共有10個決策樹；葉子節點的最小樣本數min_samples_leaf設置為10，即如果葉子節點的樣本數小于10則停止分裂；隨機狀態參數random_state的作用是使每次運行結果保持一致，這里設置的數字123沒有特殊含義，可以換成其他數字。

4.3?模型評估與使用

4.3.1?預測下一天的股價漲跌情況

用predict_proba()函數可以預測屬于各個分類的概率，代碼如下。

4.3.2?模型準確度評估

通過如下代碼可以查看整體的預測準確度。

打印輸出score為0.40，說明模型對整個測試集中約40%的數據預測正確。這一預測準確度并不算高，也的確符合股票市場千變萬化的特點。

4.3.3?分析特征變量的特征重要性

通過如下代碼可以分析各個特征變量的特征重要性。

由圖可知，當日收盤價close、MA5、MACDhist相關指標等特征變量對下一天股價漲跌結果的預測準確度影響較大。

4.4?參數調優

from sklearn.model_selection import GridSearchCV parameters={'n_estimators':[5,10,20],'max_depth':[2,3,4,5,6],'min_samples_leaf':[5,10,20,30]} new_model = RandomForestClassifier(random_state=123) grid_search = GridSearchCV(new_model,parameters,cv=6,scoring='accuracy') grid_search.fit(X_train,y_train) grid_search.best_params_# 輸出 # {'max_depth': 5, 'min_samples_leaf': 20, 'n_estimators': 5}

?4.5?收益回測曲線繪制

前面已經評估了模型的預測準確度，不過在商業實戰中，更關心它的收益回測曲線（又稱為凈值曲線），也就是看根據搭建的模型獲得的結果是否比不利用模型獲得的結果更好。

# 在測試數據上添加一列，預測收益 X_test['prediction'] = model.predict(X_test)# 計算每天的股價變化率 X_test['p_change'] = (X_test['close'] - X_test['close'].shift(1)) / X_test['close'].shift(1)# 計算累積收益率 # 例如，初始股價是1，2天內的價格變化率為10% # 那么用cumprod()函數可以求得2天后的股價為1×（1＋10%）×（1＋10%）＝1.21 # 此結果也表明2天的收益率為21%。 X_test['origin'] = (X_test['p_change'] + 1).cumprod()# 計算利用模型預測后的收益率 X_test['strategy'] = (X_test['prediction'].shift(1) * X_test['p_change'] + 1).cumprod()X_test[['strategy','origin']].dropna().plot() # 設置自動傾斜 plt.gcf().autofmt_xdate() plt.show()

可視化結果如下圖所示。圖中上方的曲線為根據模型得到的收益率曲線，下方的曲線為股票本身的收益率曲線，可以看到，利用模型得到的收益還是不錯的。

要說明的是，這里講解的量化金融內容比較淺顯，搭建的模型過于理想化，真正的股市是錯綜復雜的，股票交易也有很多限制，如不能做空、不能T＋0交易，還要考慮手續費等因素。

隨機森林模型是一種非常重要的集成模型，它集成了決策樹模型的眾多優點，又規避了決策樹模型容易過度擬合等缺點，在實戰中應用較為廣泛。

參考書籍

《Python大數據分析與機器學習商業案例實戰》

總結

以上是生活随笔為你收集整理的随机森林模型及案例（Python）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。