STE: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_KEY

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。

CoinList提高社區銷售標準，賬戶須在開售前持有最低購買金額:金色財經報道，CoinList宣布引入了一項新規則，要求用戶的CoinList 帳戶必須持有足夠的購買金額才能在社區銷售中完成交易。用戶可以像往常一樣自由注冊，但參與銷售的資格現在取決于銷售時CoinList錢包中是否有最低購買金額。

該團隊表示，這一修改意味著售后將不會有“寬限期”來為錢包充值，為錢包存入想要購買的金額的時間是在銷售開始之前。[2023/7/29 16:05:26]

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：

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：

TRC20-USDT發行量突破421億枚:據官方最新消息，TRC20-USDT發行量已突破421億枚，持有賬戶突破2151萬。

TRC20-USDT是Tether公司基于波場TRON網絡發行的錨定美元的穩定幣，轉賬速度快、低手續費的特點已經吸引了大批用戶，且已經有Binance、Huobi、OKX、Bitfinex、MEXC、KuCoin、Gate.io、Poloniex等多家交易所的支持。基于TRC20版本的USDT將大幅提升波場TRON現有的去中心化應用生態系統，帶來更高的整體價值存儲和更強的去中心化交易所流動性，并為企業級合作伙伴與機構投資者提供更便捷的區塊鏈入口。[2023/3/21 13:16:26]

模型公式

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。

瑞杰金融：將硅谷銀行金融集團評級從跑贏大盤下調至與大盤一致:金色財經報道，瑞杰金融表示，將硅谷銀行金融集團評級從跑贏大盤下調至與大盤一致。[2023/3/10 12:54:38]

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：

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

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

預言機項目Chainlink公布Chainlink 2.0經濟學，將提高用戶費用:9月30日消息，預言機項目Chainlink在2022Smart Con大會上公布Chainlink 2.0經濟學，其中包括提升數據安全性和功能，同時降低預言機服務的運行成本；提高用戶向Chainlink服務供應商支付的費用，并使包括質押者在內的更多服務提供方參與到Chainlink生態中。[2022/9/30 6:03:57]

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)。

GoPlus Security將為硬件錢包Keystone輸出安全檢測服務:8月11日消息，據官方推特，GoPlus Security 宣布將與硬件錢包 Keystone 達成戰略合作，GoPlus Security 將向 Keystone 輸出安全檢測服務，幫助Keystone在與公共鏈、非托管錢包、DEX、加密貨幣數據聚合器等互動時更好地解碼所有交易，提供更好的用戶體驗。通過這次合作，GoPlus Security 將幫助 Keystone 在打擊盲目簽名方面再次向前邁進一步。

據悉，GoPlus Security 作為 Web 安全生態基礎設施，目前已經推出了 Token 安全檢測 API、惡意地址庫 API、NFT 安全檢測 API、風險授權檢測 API 等多個安全工具，這次與知名硬件錢包 Keystone 的合作，標志著 GoPlus Security 在打通線上線下應用場景上又前進了一步。[2022/8/11 12:19:27]

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：TEPSTESTEPKEYstepn幣最新行情StepExSTEPI價格onekeytools10

火必下載