【原创附代码数据】R语言隐马尔科夫模型HMM模型股指预测代码

1、【原创】附代码数据有问题到淘宝找“大数据部落”就可以了R语言隐马尔科夫模型(HMM)模型股指预测代码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。|隐马尔可夫模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

2、寻 找每种不同天气的概率。例如，明天可能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-get

3、Symbols( “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 %plot_ly(x = Date, type=candlestick”,open =X000001.SS.Open, c

4、lose =X000001.SS.Close,high = X000001.SS.High, low =X000001.SS.Low, name = 000001.SS”,【原创】附代码数据有问题到淘宝找“大数据部落”就可以了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

5、Bands,line = list(color = #ccc, width = 0.5), legendgroup = 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)【原创】附代码数据有问题到淘宝找“大数据部落”就可以了Return-0.05logReturnPortf

6、olio = Portfolio, y-0.02-G.05-0.0.SDateReturn Distribution2 Return-0.05logReturnPortfolio = Portfolio, y-0.02-G.05-0.0.SDateReturn Distribution2 Z f-J 7 N Z Z f-J 2 2 Z 2 4hJ 2 Z P-J 4NJ 2 Z F-J P J 卜2 2 H nod oizjcziooizadooizaaooizaaaaoDc EE施姜芝另尾号塔居至与营后工rfii LPrfii 于一rfi-3$-i 于一3面于一$-37-*-70 0.1 &

7、2：-30.Prcbafallltyplot volume bar chartpp %plot_ly(x=Date, y=X000001.SS.Volume, 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 = p

8、aper, font = list(size = 9), buttons = list(list(count=1,label=RESET, step=all), list(count=1,label=1 YR, step=year, stepmode=backward),list(count=3,label=3 MO, step=month, stepmode=backward),list(count=1,【原创】附代码数据有问题到淘宝找“大数据部落”就可以了label=1 MO, step=month, stepmode=backward) )subplot with shared x ax

9、isp % 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)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 ProbabilitiesR

10、egime 1Regime 2Regime 3N 岂寻Ctm WE-2山 aRegime 1Regime 2Regime 3N 岂寻Ctm WE-2山 a一 n 29史12目 22空工25 星史 ehJKJ 29e_;294壬莅 25V=1W22出 17 29坦坦ZEr-Jow 史3 MSEIF 291运221三 9te 星口至一 EDa ”s.史岑9 2招工限星 N昌名 HBNeT 2006三冷 2we电 5 zcomskj 2005更一 君5辿9 一鬻5D 0.050.1 CL15 3.2ProbabilityData Source；tecdatTanalysis of shOOOOOl,

11、Jan 2004-Aug 2017【原创】附代码数据有问题到淘宝找“大数据部落”就可以了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的效果， 可以看到2008年前后状态2和状态3的概率出现了很大的变化。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5型学cpq 口dRegim-e Posterior ProbabiNties2尸5型学cpq 口dRegim-e Posterior ProbabiNties2尸KJK月储舛尸qW 2 2 2 Q MH片2M尸2.2 2工2gWD 0.05 1.1 CL1 5 D.2Regime 1Reg

12、ime 2Regime 3己驾京禺宅1君冬W&g与&三号三招至今需三些三3奥门叁普自 Pfubabllity Date -hmm - depmix(returns 1, family = gaussian(), nstates = 2, data=data.frame(returns=returns) hmmfit - fit(hmm, verbose = FALSE) post_probs - posterior(hmmfit)Data Sourceecdatanalysis of shOOOOOl,Jan 2004-Aug 2017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。【原创】附代码数据有问题到淘宝找“大数据部落”就可以了2005/142W7/1A2009/1/12011/3A20142015/1/120J7/1/12005/142W7/1A2009/1/12011/3A20142015/1/120J7/1/1日3tBData Sourceecda