讀取黃金 ETF 數(shù)據(jù)

本文使用機(jī)器學(xué)習(xí)方法來預(yù)測最重要的貴金屬之一黃金的價格。我們將創(chuàng)建一個線性回歸模型，該模型從過去的黃金 ETF (GLD) 價格中獲取信息，并返回對第二天黃金 ETF 價格的預(yù)測。GLD是直接投資實物黃金的最大ETF。（掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。）

首先要做的是：導(dǎo)入所有必要庫。

然后，我們讀取過去 12 年的每日黃金 ETF 價格數(shù)據(jù)并將其存儲在 Df 中。我們刪除不相關(guān)的列并使用 dropna() 函數(shù)刪除 NaN 值。然后，我們繪制黃金 ETF 收盤價。

Df = yf.download('GLD', '2008-01-01', '2020-6-22', auto_adjust=True)  DfDf = Df[['Close']]  DfDf = Df.dropna()  Df.Close.plot(figsize=(10, 7),color='r')  plt.ylabel('Gold ETF Prices')  plt.title('Gold ETF Price Series')  plt.show() 

定義解釋變量

解釋變量是一個被操縱以確定第二天黃金 ETF 價格的變量。簡單地說，它們是我們想要用來預(yù)測黃金 ETF 價格的特征。

該策略中的解釋變量是過去 3 天和 9 天的移動平均線。我們使用 dropna() 函數(shù)刪除 NaN 值并將特征變量存儲在 X 中。

但是，您可以向 X 添加更多您認(rèn)為對預(yù)測黃金 ETF 價格有用的變量。這些變量可以是技術(shù)指標(biāo)、其他 ETF 的價格，例如黃金礦工 ETF (GDX) 或石油 ETF (USO)，或美國經(jīng)濟(jì)數(shù)據(jù)。

定義因變量

同樣，因變量取決于解釋變量的值。簡而言之，這是我們試圖預(yù)測的黃金 ETF 價格。我們將黃金 ETF 價格存儲在 y 中。

將數(shù)據(jù)拆分為訓(xùn)練和測試數(shù)據(jù)集

在這一步中，我們將預(yù)測變量和輸出數(shù)據(jù)拆分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。通過將輸入與預(yù)期輸出配對，訓(xùn)練數(shù)據(jù)用于創(chuàng)建線性回歸模型。

測試數(shù)據(jù)用于估計模型的訓(xùn)練效果。

·前 80% 的數(shù)據(jù)用于訓(xùn)練，剩余的數(shù)據(jù)用于測試

·X_train & y_train 是訓(xùn)練數(shù)據(jù)集

·X_test & y_test 是測試數(shù)據(jù)集

t = .8  t = int(t*len(Df))  XX_train = X[:t]  yy_train = y[:t]  XX_test = X[t:]  yy_test = y[t:] 

創(chuàng)建線性回歸模型

我們現(xiàn)在將創(chuàng)建一個線性回歸模型。但是，什么是線性回歸？

如果我們試圖捕捉“x”和“y”變量之間的數(shù)學(xué)關(guān)系，通過對散點圖擬合一條線，“最好”根據(jù)“x”的觀察值解釋“y”的觀察值，那么這樣的方程 x 和 y 之間的關(guān)系稱為線性回歸分析。

為了進(jìn)一步分解，回歸用自變量解釋了因變量的變化。因變量“y”是您要預(yù)測的變量。自變量“x”是您用來預(yù)測因變量的解釋變量。以下回歸方程描述了這種關(guān)系：

然后我們使用擬合方法擬合自變量和因變量（x 和 y）以生成回歸系數(shù)和常數(shù)。

linear = LinearRegression().fit(X_train, y_train)  print('Linear Regression model')  print('Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \  + %.2f * 9 Days Moving Average (x2) \  + %.2f (constant)' % (linear.coef_[0], linear.coef_[1], linear.intercept_)) 

輸出線性回歸模型:

黃金 ETF 價格 (y) = 1.20 * 3 天移動平均線 (x1) + -0.21 * 9 天移動平均線 (x2) + 0.43（常數(shù)）

預(yù)測黃金ETF價格

現(xiàn)在，是時候檢查模型是否在測試數(shù)據(jù)集中工作了。我們使用使用訓(xùn)練數(shù)據(jù)集創(chuàng)建的線性模型來預(yù)測黃金 ETF 價格。預(yù)測方法找到給定解釋變量 X 的黃金 ETF 價格 (y)。

該圖顯示了黃金 ETF 的預(yù)測價格和實際價格。

現(xiàn)在，讓我們使用 score() 函數(shù)計算擬合優(yōu)度。

r2_score = linear.score(X[t:], y[t:])*100  float('{0:.2f}'.format(r2_score)) 

輸出：

99.21

可以看出，模型的 R 平方為 99.21%。R 平方始終介于 0 和 100% 之間。接近 100% 的分?jǐn)?shù)表明該模型很好地解釋了黃金 ETF 的價格。

繪制累積收益

讓我們計算一下這個策略的累積收益來分析它的表現(xiàn)。

累計收益計算步驟如下：

· 生成黃金價格的每日百分比變化

· 當(dāng)?shù)诙斓念A(yù)測價格高于當(dāng)天的預(yù)測價格時，創(chuàng)建一個以“1”表示的買入交易信號

· 通過將每日百分比變化乘以交易信號來計算策略回報。

· 最后，我們將繪制累積收益圖

輸出如下：

我們還將計算夏普比：

sharpe = gold['strategy_returns'].mean()/gold['strategy_returns'].std()*(252**0.5)  'Sharpe Ratio %.2f' % (sharpe)  

輸出如下：

'Sharpe Ratio 1.06'

預(yù)測每日價格

您可以使用以下代碼來預(yù)測黃金價格，并給出我們應(yīng)該購買 GLD 還是不持倉的交易信號：

輸出如下：