Python算法交易实战

第3章　通过基础机器学习预测市场

在第2章中，我们学习了如何设计交易策略、创建交易信号以及实施高级概念，例如交易工具的季节性。更仔细地理解这些概念涉及广阔的领域，包括随机过程、随机漫步、鞅和时间序列分析，你可以按照自己的节奏去探索。

那么接下来讲什么呢？让我们了解一种更先进的预测和预报方法：统计推理和预测。这就是所谓的机器学习，其基本原理是在19世纪和20世纪初发展起来的，并且一直在发展。近来，由于可以获得极具成本效益的处理能力和易于获得的大型数据集，人们对机器学习算法及其应用的兴趣再度上升。机器学习是一个庞大的领域，处于线性代数、多元微积分、概率论、频率论和贝叶斯统计学的交叉点，而深入分析机器学习也超出了本书的范围。然而，机器学习方法在Python中非常容易理解并且相当直观，所以我们将解释这些方法背后的直觉，并看看它们如何在算法交易中应用。首先，让我们介绍一些基本概念和符号。

本章将介绍以下主题。

●　了解术语和符号。

●　使用线性回归方法创建预测模型。

●　使用线性分类方法创建预测模型。

3.1　了解术语和符号

为了快速拓宽思路并建立关于供求关系的“直觉”，我们有一个简单且完全假设的数据集，其中包括从调查中获得的几个随机样本的身高（Height）、体重（Weight）和种族（Race）。让我们来看看这个数据集，如表3-1所示（1inch=25.4mm，1lb≈0.454kg）。

表3-1

Height /inch	Weight /lb	Race
72	180	Asian
66	150	Asian
70	190	African
75	210	Caucasian
64	150