使用Mathematica预测A股指数

上一节我们讲了如何用tushare来获取A股指数的数据, 本节将接着来讲如何利用Mathematica来预测指数。

Mathematica预测A股指数的步骤

导入A股指数数据

SetDirectory["E:\\cygwin64\\home\\van\\development\\stock"];
ASIndex=Import["AS_index.csv"];
ASIndex[[1;;3]]//TableForm

输出为

date high low close volume amount
2018-06-28 2959.67 2913.97 2918.64 11821880600 129596964939
2018-06-27 2989.36 2931.14 2946.23 12927158700 142322455107

具体可以参考tushare对数据命名的解释。我们这里关心的是date(日期)与close(收盘价格).

提取日期与收盘价格

t = ASIndex[[2;;, 1]];
InitialDate = ToExpression@StringSplit[Last@t, "-"];
tstd = DayCount[ToExpression@StringSplit[#, "-"], InitialDate] & /@ t;

v = ASIndex[[2;;, 5]];
vstd = v;
vstd[[1 ;; 3]]

时间t其实就是取出ASIndex中第二行到最后一行, 第一列的数据, 然后我们用StringSplit2018-06-29转换为标准的日期格式{2018,06,29}, ToExpression去掉了06前面的0, 最后我们用DayCount来计算了日期差(当前数据日期与最后一行的日期, 即数据最早日期); 而收盘价格v就是ASIndex中第二行到最后一行, 第五列的数据。这里我并没有标准化(你可以vstd=v/Mean[v]), 最后vstd[[1;;3]]显示vstd中开头三个数据。

输出为

{2918.64, 2946.23, 2979.13}

预测A股指数走势
n = 60;

stocks = TimeSeries[Reverse[vstd[[;; n]]]];
testn = Floor[n/10];
teststocks = TimeSeries[Reverse[vstd[[testn ;; n]]]];

TimeSeriesModelFit[teststocks, "SARIMA"]
stocksMode = % // Normal
forecast = TimeSeriesForecast[stocksMode, teststocks, {0, 2 testn}];
ListLinePlot[{Normal[stocks], Normal[forecast][[1]]}, Filling -> Axis,
  PlotRange -> All]

我们设置了预测样本数据长度n为60天, 即考虑最近两个月的数据。注意到我们的数据是从新到旧排列的, 故在使用TimeSeries将数据转换为时间序列时, 我们用了Reverse来倒置数据(这样才是时间从小到大排列的数据, 本来可以用{时间,数据}这样的格式来标记, 但是由于时间不是等标记间距的, 这在后面会要求MMA进行额外的处理, 故这里直接将时间标记为数据的index).

接下来, 我们设置了检验数据的长度testn, 即将10%的数据拿出来作为检验本次模拟的效果。
然后就是我们的重点了, 使用MMA强大的拟合功能TimeSeriesModelFit来拟合我们的样本数据teststocks, 这里SARIMA表示季节性积分自回归平均移动过程(参考wiki)以及这篇文章.

接着, 我们用TimeSeriesForecast函数来使用上面的得到的stocksMode模型来预测teststocks样本在未来testn天的走势, 注意, 2*testn中一个testn的预测数据用来检验模型的预测可靠性, 另一个testn才是真正对未来的预测。

最后, 我们用图形表示了原始数据, 预测数据。


6天A股指数预测

注记

应该注意, 上面只是一个模型, 实际情况是如果我们设置不同的n, 则得到的结果可能完全不同。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,681评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,710评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,623评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,202评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,232评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,368评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,795评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,461评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,647评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,476评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,525评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,226评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,785评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,857评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,090评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,647评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,215评论 2 341

推荐阅读更多精彩内容

  • “有很多时候好像只是做了个梦但却什么都变了。” B君今年30岁,不,准确的来说是29岁,8月才会过30岁的生日。年...
    IRENE_宝丁阅读 326评论 0 1
  • 参考:http://taobaofed.org/blog/2015/11/17/nvm-or-n/ 总结:都是no...
    shanshanfei阅读 3,121评论 1 1
  • 前两天我在北京的时候,跟人吃饭聊起说,你们平台推崇的审美风格似乎都很固定啊,会不会造成你们的用户听了你们的话穿出来...
    汪撕葱阅读 1,511评论 2 1
  • 写这些话的时候是在去往学校的火车上,心里有说不出的难受,一开始去吃饭的时候在公交车上老董打来电话根本不敢接,老董他...
    王茜_super阅读 190评论 0 0