通过案例认识外汇交易中大数据智能技巧人的学习方法

随着“AlphaGo”、“无人驾驶”、“大数据处理”等名词不断出现在公众的视野中的时候，人工智能和机器学习这些词被不断的提起。甚至很多人认为：2016年是算法时代的元年，2017年人工智能将会得到更加快速的发展。笔者也相信这是一个趋势，因为基于算法的机器学习是人工智能的核心，运用恰当的话，的确非常强大，给各行各业带来全新的面貌。
 
目前，在国内外量化交易领域已经有少数CTA策略或者外汇EA会涉及一部分机器学习。那么机器学习到底是如果运作的呢？今天就给大家演示下用简单机器学习去做外汇行情预测。
 
废话不多说，直接上货吧：
 
1. 首先，把需要处理的数据准备好，
 

前三根k线涨幅	当前k线涨幅	下一根大跌(0) /跌(1)/涨(2) /大涨(3)
10.36787091	14.01653763	1
0.56490792	-10.0514786	1
6.024039683	7.334618459	1
14.01653763	-4.792107118	1
-10.0514786	14.47722188	2
7.334618459	31.2593872	3
-4.792107118	11.13596167	0

 
Mt4中用脚本处理好数据，再写入csv里，作为我们的训练数据。
数据量为1.8万条，数据取样为XAUUSD 1h周期。
 
2. 导入数据，进行处理，
 
import pandas as pd
import numpy as np
 
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import StandardScaler
 
#获取经过mt4处理的数据集
data = pd.read_csv('XAUUSDtick.csv')
 
#数据x,y分类
X = data.iloc[:,[1,2]].values
y = data.iloc[:,[3]].values
y = y.ravel()
 
X_train,X_test,y_train,y_test = train_test_split(X , y , test_size = 0.35, random_state = 0)
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)
  
3. 用sklearn的感知机模型训练数据
from sklearn.linear_model import Perceptron
 
#迭代次数1000次，学习率0.3
ppn = Perceptron(n_iter = 1000, eta0 = 0.3, random_state = 0)
ppn.fit(X_train_std,y_train)
y_pred = ppn.predict(X_test_std)
print 'Misclassified samples:%d' % (y_test != y_pred).sum()
print 'Accuracy:%.2f'% accuracy_score(y_test,y_pred)
 
好，我们运行代码，得到结果：
Misclassified samples:2942
Accuracy:0.47
 

 
1. 用逻辑回归模型预测涨跌
 
from sklearn.linear_model import LogisticRegression
 
lr = LogisticRegression(C=1000.0 , random_state  =0)
lr.fit(X_train_std,y_train)
y_pred = lr.predict(X_test_std)
print 'Misclassified samples:%d' % (y_test != y_pred).sum()
print 'Accuracy:%.2f'% accuracy_score(y_test,y_pred)
 
运行下：
 
Misclassified samples:2852
Accuracy:0.49