用機(jī)器學(xué)習(xí)識(shí)別不斷變化的股市狀況一隱馬爾科夫模型(HMM)的一種應(yīng)用了解不同的股市狀況，改變交易策略，對(duì)股市收益有很大的影響。有些策略在波瀾不驚的股市中表現(xiàn)良好，而有些策略可能適合強(qiáng)勁增長(zhǎng)或長(zhǎng)期下跌的情況。弄清楚何時(shí)開(kāi)始或合適止損，調(diào)整風(fēng)險(xiǎn)和資金管理技巧，都取決于股市的當(dāng)前狀況。在本文中，我們將通過(guò)使用一類(lèi)強(qiáng)大的機(jī)器學(xué)習(xí)算法'隱馬爾可夫模型”(HMM)來(lái)探索如何識(shí)別不同的股市狀況。［隱馬爾可夫模型馬爾科夫模型是一個(gè)概率過(guò)程，查看當(dāng)前狀態(tài)來(lái)預(yù)測(cè)下一個(gè)狀態(tài)。一個(gè)簡(jiǎn)單的例子就是看天氣。假設(shè)我們有三種天氣情況：下雨、多云、陽(yáng)光明媚。如果今天下雨，馬爾科夫模型就會(huì)尋找每種不同天氣的概率。例如，明天可能會(huì)持續(xù)下雨的可能性較高，變得多云的可能性略低，而會(huì)變得晴朗的幾率很小。I構(gòu)建模型基于以上背景，然后我們可以用來(lái)找到不同的股市狀況優(yōu)化我們的交易策略。我們使用2004年至今的上證指數(shù)(OOOOOl.ss)來(lái)構(gòu)建模型。首先，我們得到上證指數(shù)的收盤(pán)價(jià)數(shù)據(jù)，計(jì)算得到收益率數(shù)據(jù)，并建立HMM模型比較模型的預(yù)測(cè)結(jié)果。library(depmixS4)library(TTR)Iibrary(ggplot2)library(reshape2)library(plotly)#createthereturnsstreamfromthisshdata<-getSymbols("000001.ss",from="2004-01-01",auto.assign=F)gspcRets=diff(log(Cl(shdata)))returns=as.numeric(gspcRets)write.csv(as.data.frame(gspcRets),"gspcRets.csv")shdata=na.omit(shdata)df<-data.frame(Date=index(shdata),coredata(shdata))p<-df%>%plot_ly(x=~Date,type="candlestick",open=~X000001.SS.Open,close=~X000001.SS.CIose,high=?X000001.SS.High,low=?X000001.SS.Low,name="000001.SS",increasing=i,decreasing=d)%>%add_lines(y=~up,name="BBands",line=list(color='#ccc：width=0.5),legendgroup="BollingerBands",hoverinfo="none")%>%add_lines(y=~dn,name="BBands",line=list(color='#ccc',width=0.5),legendgroup="BollingerBands",showlegend=FALSE,hoverinfo="none")%>%add_lines(y=~mavg,name="MvAvg",line=list(color='#E377C2',width=0.5),hoverinfo="none")%>%layout(yaxis=list(title="Price"))繪制上證指數(shù)的收盤(pán)價(jià)和收益率數(shù)據(jù)，我們看到2004年和2017年期間股市的波動(dòng)情況。Porcfclio=Porcfollo,yReturnReturnDistributionlogR&turno.aso.zcu.-O.00.102<：'30.dProbability121O._」』n倉(cāng)O-GLurqdJ左Ena営2口2口苦wa2口hj口2口wa2口hj口20MaisM畧?zhí)m曽冕史2r-JCItmJg冒烹二20總二272口棗￡31規(guī)冬J包浮G4SQ27亨7LU56/7圭§.:廉圮1巴25ZHylw-is亠吏weSG宜D#plotvolumebarchartpp<-df%>%plot_ly(x=~Date,y=~X000001.SS.Volume,type='bar',name="000001.SSVolume"color=?direction,colors=c('#17BECF','#7F7F7F'))%>%layout(yaxis=list(title="Volume"))#createrangeselectorbuttonsrs<-list(visible=TRUE,x=0.5,y=-0.055,xanchor='center',yref='paper',font=list(size=9),buttons=list(list(count=1,label='RESET',step='all'),list(count=1,label='1YR',step='year',stepmode='backward'),list(count=3,label='3MO',step='month',stepmode='backward'),list(count=1,label='1MO',step二'month',stepmode二'backward')))#subplotwithsharedxaxisp<-subplot(p,pp,heights=c(0.7,0.2),nrows=2,shareX=TRUE,titleY=TRUE)%>%layout(title=paste("000001.SS:2004-01-01-",Sys.Date()),xaxis=list(rangeselector=rs),legend=list(orientation='h',x=0.5,y=1,xanchor='center',yref='paper',font=list(size=10),bgcolor='transparent'))plot(gspcRets)對(duì)收益率擬合了三狀態(tài)隱馬爾可夫模型之后，繪制每個(gè)狀態(tài)的后驗(yàn)概率：RegimePosteriorProbabilitiesProbabilitiesDistributionQ2W.4QDu0.0：E應(yīng)o

a?h-C.Q5D0.Q50.10.15ProbabilityProbsbilttyRegime1Regime2Regirne30in522r-jb-JI--J2Q2W.4QDu0.0：E應(yīng)o

a?h-C.Q5D0.Q50.10.15ProbabilityProbsbilttyRegime1Regime2Regirne30in522r-jb-JI--J2r-J22ZF_-b-JZ卜」2F-J2goooooo&ooooooooociO匕出巴空爻H更二仝垃閏薩，?k?%g沖-Jq|tng4a□"■DateamuE巒&-￡1.050.050.10.150J：2Probability■■--h_'DO2007-2009年間，由于次貸危機(jī)，股市出現(xiàn)了驚人的波動(dòng)。這具有迅速改變后驗(yàn)概率的效果，可以看到2008年前后狀態(tài)2和狀態(tài)3的概率出現(xiàn)了很大的變化。股市在2010年后變得平靜，因此狀態(tài)2和狀態(tài)3的概率處于平衡狀態(tài)22呂史2總負(fù)畀冬逮selsNJsSJfezhJNew二/Whj22呂史2總負(fù)畀冬逮selsNJsSJfezhJNew二/Whj94更82ci-蘭=泄Hesl?29亡密26r-Jet!5/325定二/24hJsIJ史益獸二二二gtezeyelmDa22曇mNJE二pnch釜二乞K會(huì)K-.&^006三fc祗006棗52006二2/22WWW-總二蘭』2txMJ￡5hmm<-depmix(returns~1,family=gaussian(),nstates=2,data=data.frame(returns=returns))hmmfit<-fit(hmm,verbose=FALSE)post_probs<-posterior(hmmfit)基于以上判斷，我們將三種不同的狀態(tài)進(jìn)行定義。狀態(tài)1認(rèn)為是波動(dòng)市場(chǎng)，狀態(tài)2認(rèn)為是下跌市場(chǎng)，狀態(tài)3認(rèn)為是上漲市場(chǎng)。然后將不同狀態(tài)的預(yù)測(cè)結(jié)果返回到真實(shí)的上證指數(shù)來(lái)觀察是否符合客觀邏輯。6K5K2005AA2007/1A2009/1/16K5K2005AA2007/1A2009/1/12011加2Q1雪1/1常覽M2017/