R语言隐马尔科夫模型HMM股指预测

1、用机器学习识别不断变化的股市状况一隐马尔科夫模型(HMM)的一种应用了解不同的股市状况，改变交易策略，对股市收益有很大的影响。有些策略在波澜不惊的股市中表现良好，而有些策略 可能适合强劲增长或长期下跌的情况。弄清楚何时开始或合适止损，调整风险和资金管理技巧，都取决于股市的当前状 况。在本文中，我们将通过使用一类强大的机器学习算法隐马尔可夫模型”(HMM)来探索如何识别不同的股市状况。I除马尔可知型马尔科夫模型是一个概率过程，查看当前状态来预测下一个状态。一个简单的例子就是看天气。假设我们有三种天气 情况：下雨、多云、阳光明媚。如果今天下雨，马尔科夫模型就会寻找每种不同天气的概率。例如，明天可能

2、会持续 下雨的可能性较高，变得多云的可能性略低，而会变得晴朗的几率很小。|构建模型基于以上背景，然后我们可以用来找到不同的股市状况优化我们的交易策略。我们使用2004年至今的上证指数 (000001.SS)来构建模型。首先，我们得到上证指数的收盘价数据，计算得到收益率数据，并建立HMM模型比较模型的预测结果。library(depmixS4)library(TTR)library(ggplot2)library(reshape2)library(plotly)# create the returns stream from thisshdata-getSymbols( 000001.SS, f

3、rom=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 %plot_ly(x = Date, type=candlestick”,open =X000001.SS.Open, close =X000001.SS.Close

4、,high = X000001.SS.High, low =X000001.SS.Low, name = 000001.SS”,increasing = i, decreasing = d) %add_lines(y = up , name = B Bands,line = list(color = #ccc, width = 0.5), legendgroup = Bollinger Bands, hoverinfo = none) %add_lines(y = dn, name = B Bands,line = list(color = #ccc, width = 0.5), legend

5、group = Bollinger Bands, showlegend = FALSE, hoverinfo = none) %add_lines(y = mavg, name = Mv Avg,line = list(color = #E377C2, width = 0.5), hoverinfo = none) %layout(yaxis = list(title = Price)绘制上证指数的收盘价和收益率数据，我们看到2004年和2017年期间股市的 波动情况。ReturnlogR&turnReturn DistributionPorcfclio = Porcfollo, yO.QEo

6、.:cu.-sm2三7ReturnlogR&turnReturn DistributionPorcfclio = Porcfollo, yO.QEo.:cu.-sm2三7二七2E6.Q 宣zs当一口 D zs史E索 玲号空比 Ms里 15 省三m由 gsUEfl 心e 2D 1里过蒜 zseM, D Mois ZDCWS s堂总 售虽E七 Ns-mQg 2导至1 20国三27 2 n $51空 吕基la r-J口运 6H交出0 0.1 OSC.JO.dProbabilityplot volume bar chartpp %plot_ly(x=Date, y=X000001.SS.Volume,

7、 type=bar, name = 000001.SS Volume color = -direction, colors = c(#17BECF,#7F7F7F) %layout(yaxis = list(title = Volume)create rangeselector buttonsrs - 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

8、(count=1,label=1 YR,step=year,stepmode=backward),list(count=3,label=3 MO,step=month,stepmode=backward),list(count=1,label=1 MO,step=month, stepmode=backward)subplot with shared x axisp %layout(title = paste(“000001.SS: 2004-01-01 -,Sys.Date(),xaxis = list(rangeselector = rs),legend = list(orientatio

9、n = h, x = 0.5, y = 1,xanchor = center, yref = paper,font = list(size = 10),bgcolor = transparent)plot(gspcRets)对收益率拟合了三状态隐马尔可夫模型之后，绘制每个状态的后验概率:Regime Posterior ProbabilitiesRegime 1Regime 2Regirne 3He享县 28yew2L&Moo曼曼Regime Posterior ProbabilitiesRegime 1Regime 2Regirne 3He享县 28yew2L&Moo曼曼3 kjsmmkj

10、2R5J 史一2005生28空三2 2 KJ- r-J KJ O O 二: o oZ 卜/ r-j b-J H I-J hJ r-J Z 2 2 F- o o o o o o o o o o oIs MM场 S-7R5 空工25 史W 8 史昭记 4三3 g 4年若 esul 史等 史与 坦二复 之书4二三 9te eEEDa 9MDOD 0.05 0.1 Q.150J：ProbabilityData Sourceecdatjanalysis of shOOOOOl,tJan 2004-Aug 2017年前后2007 - 2009年间，由于次贷危机，股市出现了惊人的波动。这具有迅速改变后验概率

11、的效果，可以看到2008 状态2和状态3的概率出现了很大的变化。年前后股市在2010年后变得平静，因此状态2和状态3的概率处于平衡状态M一 _qBqpd25M一 _qBqpd25之史2 片一黄1 NRG 2H5 201525 2H 29纪史记 Mom 201 至IB H9HJ 三 2 2e空 17 修9圮26 r-Joww 2cl二运管 zewljlgte Moly迫荒Da HeFK z密皂g 肾金县 2co詈 片&ETE0C6 三fc 2条至3 ZOCGUhJ aww- Z茶)9 2髭工215 r-JWWNjlhmm - depmix(returns 1, family = gaussian

12、(), nstates = 2, data=data.frame(returns=returns) hmmfit - fit(hmm, verbose = FALSE) post_probs - posterior(hmmfit)基于以上判断，我们将三种不同的状态进行定义。状态1认为是波动市场，状态2认为是下跌市场，状态3认为是上涨 市场。然后将不同状态的预测结果返回到真实的上证指数来观察是否符合客观逻辑。6K5K2005/1/120142015/1/1201771/12007/1/12009/142011M日6K5K2005/1/120142015/1/1201771/12007/1/12009/142011M日3 state HIV1M modg I on sh000001Data Source:坨cdat.analysi