用R语言预测股票价格涨跌—基于KNN分类器
时间:2022-05-04
本文章向大家介绍用R语言预测股票价格涨跌—基于KNN分类器,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
K最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。 kNN算法的核心思想是如果一个样本在特征空间相邻的样本中的大多数属中的k个最于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时,只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,kNN方法较其他方法更为适合。
kNN算法属于非参方法,即不需要假设数据服从某种分布。
kNN算法R语言实现
- 载入程序包&读入数据
library(class)
library(dplyr)
library(lubridate)
library(scatterplot3d)
stocks <- read.csv(file.choose())
- 数据查看
head(stocks)
summary(stocks[,-1])
cl <- stocks$Increase
#已知涨跌
colors <- 3-cl
scatterplot3d(stocks[,2:4],color=colors, col.axis=5,
col.grid="lightblue", main="scatterplot3d - stocks", pch=20)
数据包由Date、Apple、Google、MSFT、Increase五列数据构成,Increase列表示的是苹果股价当日的涨跌情况。 3D散点图中,红色表示股价上涨,绿色表示下跌。
- 数据集划分
stocks$Date <- ymd(stocks$Date)
stocksTrain <- year(stocks$Date) < 2014
predictors <- cbind(lag(stocks$Apple, default = 210.73),
lag(stocks$Google, default = 619.98), lag(stocks$MSFT, default = 30.48))
colnames(predictors)=c("Apple","Google","MSFT")
train <- predictors[stocksTrain, ]
#2014年以前的数据为训练数据
test <- predictors[!stocksTrain, ]
#2014年以后的数据为测试数据
par(mfrow=c(3,2))
acf(stocks$Apple)
#查看自相关图
pacf(stocks$Apple)
#查看偏相关图
acf(stocks$Google)
pacf(stocks$Google)
acf(stocks$MSFT)
pacf(stocks$MSFT)
- 进行KNN算法分类
cl <- stocks$Increase[stocksTrain]
#已知涨跌
prediction <- knn(train, test, cl, k = 1)
#建立kNN预测模型
table(prediction, stocks$Increase[!stocksTrain])
#查看预测情况
mean(prediction == stocks$Increase[!stocksTrain]) #计算准确率
## [1] 0.5076923
k=1时,基于KNN分类器的苹果股票价格预测准确率只有50.8%,略强于抛硬币。
- 通过蒙特卡洛模拟选出最好的k值
accuracy <- rep(0, 10)
k <- 1:10for(x in k){
prediction <- knn(predictors[stocksTrain, ], predictors[!stocksTrain, ], stocks$Increase[stocksTrain], k = x)
accuracy[x] <- mean(prediction == stocks$Increase[!stocksTrain])}plot(k, accuracy, type = 'b', col=125,lwd=3)
通过模拟可以发现,当k = 5时,模型的准确率达到了52.5%。此外,我还用BP神经网络做了对比测试,BP神经网络模型的预测准确率只有51.5%,可见,基于KNN分类器的股票价格预测模型既简单又实用。
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- 【Rust日报】2020-07-18 提升ARM64 Linux平台支持到Tier-1
- SpringCloud+MyBatis(oracle)逆向工程自动生成代码
- JDK1.8的几个简单Lambda表达式
- 腾讯云直播开发日记 (一) 直播播放和观看
- Docker六脉神剑(二) 使用Docker构建lnmp开发环境
- redis主从配置+集群搭建
- 【Ceph RGW】找一个用Go写的s3cmd
- 技术分享 | 如何优雅地在 Windows 上从 MySQL 5.6 升级到 5.7
- SpringCloud分布式配置中心
- Sharding-Proxy的基本功能使用
- React-Redux 对Todolist修改
- 快排解决寻找数组中的第K个最大元素
- Docker六脉神剑(一) Mac极速体验
- React-Router 5.0 制作导航栏+页面参数传递
- Vue3.0快速入门(速查)