點寬專欄——教你如何應用樸素貝葉斯分類器進行股價趨勢分類預測_JOE

樸素貝葉斯分類器進行股價趨勢分類預測

原理

貝葉斯定理

模型思想

1、在風險識別中，貝葉斯模型本質上也是一種已知結果找原因的思維工具。

2、在風險決策中，利用貝葉斯模型的基本思想是充分利用先驗信息，將先驗分布和抽樣分布整合成后驗分布，從而利用后驗分布進行決策。如果有新的信息，則更新后驗分布，實現遞歸決策方案。從而得到最優策略，使得決策風險盡可能低。在概率統計的表述是：應用所觀察到的現象對有關概率分布的主觀判斷進行修正的標準方法。

3、在分類預測中，樸素貝葉斯的思想基礎是這樣的：對于給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬于哪個類別。

概率論基礎

要理解貝葉斯模型，必須先理解貝葉斯定理。貝葉斯定理實際上就是計算“條件概率”的公式。

Blur創始人：Season 2的積分價值不會被稀釋:金色財經報道，NFT聚合交易市場Blur今日宣布推出Season 2并上線積分“Trait Bidding（特質競價）”功能，有社區用戶質疑“Blur 先是競標積分、再掛牌積分、然后借貸積分、現在又特質競價積分，最終積分價值越來越被稀釋”，對此Blur創始人Pacman在社交媒體回應稱，目前Blur沒有宣布Season 2的結束時間，額外的積分機制也不會稀釋積分價值，因為競標積分和掛牌積分功能從Season 1開始就一直存在，既沒有引入額外積分去稀釋價值，也沒有延長Season時間。Pacman強調，借貸積分絕對不會稀釋積分，特質競價也不會稀釋積分價值，社交媒體上的相關言論是虛假信息。[2023/7/6 22:20:53]

條件概率

條件概率，是指在事件B發生的情況下，事件A發生的概率，用P(A|B)來表示。其公式為：

Avalanche生態DEX Trader Joe核心團隊宣布決定停用veJOE:5月19日消息，Avalanche生態DEX Trader Joe核心團隊宣布決定停用veJOE，用戶可以從veJOE中提取JOE代幣，veJOE將繼續作為V1流動性挖礦的助推器，但預計發送到V1流動性挖礦的veJOE將在2024年1月結束的計劃排放時間表之前停止。

團隊稱，自2022年11月中旬推出流動性賬簿以來，流動性賬簿池支持95%以上的交易量，繼續發送veJOE以獎勵V1 Yield Farms的流動性提供者不再是明智的做法。[2023/5/19 15:13:23]

上式可轉化為：

稱為乘法公式。

全概率公式

設試驗E的樣本空間為S，A為E的事件，B1，B2，…，Bn為S的一個劃分，則全概率公式為：

模型公式

巴西Bitpreco交易所計劃擴展功能，提供銀行服務:11月23日消息，巴西加密交易所Bitpreco計劃擴展其功能，通過一個名為Bitybank的新平臺提供銀行服務。該公司還將開放支付和數字賬戶服務，計劃通過現金返還計劃吸引更多用戶使用加密貨幣，并消除用戶對購買加密貨幣的擔憂。

據了解，Bitpreco是巴西最大的比特幣交易平臺之一，過去三個月市場占比達到13%；從2020年到2021年，該公司注冊用戶數量已經增長了5倍。Bitpreco預計新計劃將使其用戶基數增加50%。（news.bitcoin）[2022/11/23 8:00:16]

公式

通常，事件A在事件B(發生)的條件下的概率，與事件B在事件A的條件下的概率是不一樣的；然而，這兩者是有確定的關系,貝葉斯法則就是這種關系的陳述。

設試驗E的樣本空間為S，A為E的事件，B1，B2，…，Bn為S的一個完備事件組，則：

Aave社區發布提案創建抵押穩定幣GHO:7月7日，官方消息，Aave社區發布征求意見 (ARC) 提案，向DAO提議引入與美元掛鉤的本地去中心化、抵押支持的穩定幣GHO允許用戶使用他們提供的抵押品來鑄造GHO。GHO將得到用戶自行選擇的多樣化加密資產的支持，而借款人繼續從其基礎抵押品中賺取利息。Aave Governance負責與GHO相關的決定。GHO借款的100%利息支付發送給DAO，為Aave DAO產生額外收入。[2022/7/7 1:58:33]

其中：P(Bi)：Bi的先驗概率或邊緣概率。之所以稱為“先驗”是因為它不考慮A任何因素的影響。P(Bi|A)：已知A發生后Bi的條件概率，即由于得知A的取值而被稱作Bi的后驗概率。P(A|Bi)：已知Bi發生后A的條件概率，即由于得知Bi的取值而被稱作A的后驗概率。P(A)：A的先驗概率或邊緣概率，也作標準化常量

解析

CarzSo推出印度首個二手車元宇宙展廳:金色財經報道，專門為汽車行業開發虛擬現實技術的印度企業CarzSo宣布推出該國首個二手車元宇宙展廳，利用CarzSo的搜索功能，客戶可以通過型號、價格范圍、車身類型和其他參數來縮小選擇范圍，車主也可以使用反映車牌的NFT從車輛后續銷售中獲利。（TechStory）[2022/7/4 1:49:29]

根據貝葉斯公式：

當A為特征向量，Bi(i=1,2,…,n)為分類標簽時。貝葉斯模型就可以進行分類預測。例如，在對股價進行分類中，特征向量A可以是各種技術指標或K線量價特征。而Bi(i=1,2,3)對應于給定方向上的實際價格變動的事件，其有三個可能的選項:B1=-1“向下”,B2=0“不確定”,B3=1“向上”。我們就可以根據歷史數據來進行分類預測，而預測結果的可能性可以用P(Bi|A)表示，分類級別很簡單：P(Bi|A)越大，則屬于該類別的可能性也越大。該分類方法也被稱為樸素貝葉斯分類器

實踐

樸素貝葉斯模型在股票價格趨勢分類預測的應用

步驟

樸素貝葉斯分類器的具體步驟如下：

step1：設x={a1,a2,…,an}為一個待分類項，而每個a為x的一個特征屬性。

step2：有類別標簽集合C={y1,y2,…,ym}。

step3：根據貝葉斯公式，計算P(y1|x),P(y2|x),…,P(ym|x)。

step4：如果，P(yk|x)=max{P(y1|x),P(y2|x),…,P(ym|x。，則x被分到yk類別。

重點

關鍵就是如何計算第3步中的各個條件概率。

我們可以這么做：

step1：找到一個已知分類的待分類項集合，這個集合叫做訓練樣本集。

step2：統計得到在各類別下各個特征屬性的條件概率估計。即：

step3：如果各個特征屬性是條件獨立的，則根據貝葉斯定理有如下推導：

因為分母對于所有類別為常數，因為我們只要將分子最大化皆可。又因為各特征屬性是條件獨立的，所以有：

其中，1/N為常數。

因此，樸素貝葉斯分類器過程是利用樣本集統計出各特征屬性的條件概率以及分類標簽的概率。然后根據以上步驟對待分類項進行分類預測。

心得

可以看到，整個樸素貝葉斯分類分為三個階段：

第一階段——準備工作階段，這個階段的任務是為樸素貝葉斯分類做必要的準備，主要工作是根據具體情況確定特征屬性，并對每個特征屬性進行適當劃分，然后由人工對一部分待分類項進行分類，形成訓練樣本集合。這一階段的輸入是所有待分類數據，輸出是特征屬性和訓練樣本。這一階段是整個樸素貝葉斯分類中唯一需要人工完成的階段，其質量對整個過程將有重要影響，分類器的質量很大程度上由特征屬性、特征屬性劃分及訓練樣本質量決定。

第二階段——分類器訓練階段，這個階段的任務就是生成分類器，主要工作是計算每個類別在訓練樣本中的出現頻率及每個特征屬性劃分對每個類別的條件概率估計，并將結果記錄。其輸入是特征屬性和訓練樣本，輸出是分類器。這一階段是機械性階段，根據前面討論的公式可以由程序自動計算完成。

第三階段——應用階段。這個階段的任務是使用分類器對待分類項進行分類，其輸入是分類器和待分類項，輸出是待分類項與類別的映射關系。這一階段也是機械性階段，由程序完成。

應用

下面我們利用樸素貝葉斯模型對股票價格趨勢進行分類預測：

屬性劃分

對屬性的確定并對屬性進行適當劃分是非常重要的。這里為了簡單起見，我們利用當日的漲跌狀態、RSI指標、RSRS指標、CCI指標做為特征屬性。而實際價格趨勢為分類標簽。根據指標的常用方法對特征屬性進行劃分，其劃分如下表：

分類訓練

本文利用股市滬深300的所有成分股N天歷史數據作為訓練樣本。以當前天的下一交易日實際價格漲跌狀態為分類標簽進行分類器訓練。訓練樣本量為：3萬。

利用2018年5月1日之前的N天的樣本數據為訓練樣本，訓練結果如下表：

分類預測

預測2018年5月2日-5月15日這10個交易日價格漲跌趨勢。利用該段時間滬深300成分股的實際價格漲跌檢驗分類預測價格漲跌趨勢的準確率，如下表所示：

總結

簡單的利用貝葉斯模型對股價進行分類預測有一定的合理性。如果想要提高貝葉斯模型分類預測的準確性，我們可以從下面兩方面出發：

1、從貝葉斯模型的特征屬性出發，深入研究和挖掘更多有用的特征屬性，并合理地劃分每一個特征屬性的范圍。

2、選擇合適的訓練樣本集進行研究，可以按行業分類選擇具有相同趨勢的股票進行訓練及預測。

拓展

波動率估計

波動率模型，尤其是隨機波動率模型在金融領域有著廣泛的應用，這就使得模型的參數估計成為一個非常重要的問題。貝葉斯估計在隨機波動率模型上是十分普遍并應用廣泛的參數估計方法。

有興趣的同學可以查閱相關資料，利用貝葉斯估計方法對波動率模型進行參數估計。

來源：金色財經

Tags：JOESTEPTEPSTEjoe幣創始人stepg幣背景STEP價格Persistence

SHIB