Python算法交易

通过机器学习预测市场动向

｜

147

图 5-2：基于线性回归的预测（外推）

5.1.2

价格预测的基本思路

基于时间序列数据的价格预测必须处理一项特殊功能：基于时间的数据排序。通常，

数据的排序对于线性回归的应用并不重要。在上一部分的第一个示例中，可以在完

全保持

x

和

y

对不变的情况下，以完全不同的顺序编译执行线性回归的数据。最优

回归参数将是相同的，与排序无关。

但是，例如在预测明天的指数指标水平时，以正确的顺序设置历史指数水平似乎至

关重要。如果是这种情况，则在给定今天，昨天，前一天等的指数水平的情况下，

人们将尝试预测明天的指数水平。通常将用作输入的天数称为滞后。因此，使用今

天的指数水平和之前的两个指数水平，会转化为三个滞后。

下一个示例将该想法再次投射到一个相当简单的上下文中。该示例使用的数据是从

0

～

11

的数字：

In [9]: x = np.arange(12)

In [10]: x

Out[10]: array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

148

｜

第

5

章

假设回归存在三个滞后。这说明了回归的三个自变量和一个因变量。更具体地说，

0

、

1

和

2

是自变量的值，而

3

是因变量的相应值。继续前进（“按时间”），这些

值分别是

1

、

2

、

3

，以及

4

。这些值的最终组合是 ...