SVR不断预测平坦线

Question

我在尝试用支持向量回归来预测未来的收益，方法是用过去五天的收益数据来“喂”它。这里有个链接可以了解这个想法：http://www.quintuitive.com/2012/11/30/trading-with-support-vector-machines-svm/

可惜的是，无论我怎么调整参数（比如核函数、C值或gamma值），它总是给我一条平坦的预测线。现在我完全搞不清楚哪里出错了，任何帮助都非常感谢。

from __future__ import division
import numpy as np
from sklearn.svm import SVR
import csv
import datetime, time
from matplotlib import pyplot as plt

data = np.array([row for row in csv.reader(open('eurusd_curncy.20140616.csv', 'rb'))])
data = data[1:,]

n_sample = 5000
n_data = data.shape[0]
t = data[:,0]
high = map(float,data[:,2])
low = map(float,data[:,4])
open_price = map(float,data[:,6])
close_price = map(float,data[:,5])
ret = np.zeros((n_data,1))

for i in range(n_data):
    tm = time.strptime(t[i],"%m/%d/%Y %H:%M")
    tm = datetime.datetime(tm.tm_year,tm.tm_mon,tm.tm_mday,tm.tm_hour,tm.tm_min)
    t[i] = time.mktime(tm.timetuple())

t = map(float, t)

for i in range(n_data-1):
    ret[i] =  np.log(close_price[i+1]/close_price[i])

lag = 5
y = ret[lag:(lag+n_sample):lag]
y = y[:,0]
X = np.zeros((len(y),lag))

for i in range(len(y)):
    for j in range(lag):
        X[i,j] = ret[i+j]  

n_train = 800
trainX = X[:n_train]
trainY = y[:n_train]
testX  = X[n_train:]
testY = y[n_train:]

svr = SVR(kernel='rbf', C=1e3, epsilon=0.2, gamma=0.0001)
svr.fit(trainX, trainY)
predSvr = svr.predict(testX)


plt.plot(testY, testY, 'c.', label='true data')
plt.plot(testY, predSvr, 'm.', label='SVR')
plt.legend()
plt.show()

‘eurusd_curncy.20140616.csv’这个文件没什么特别的，如果你想的话可以试试其他数据。结果依然是一条平坦的线，穿过了真实数据。如果我有足够的声望，我本来想在这里加一张图片的。 :(

有没有人能给我一些启发？提前感谢你的帮助和时间。

数据分析机器学习时间序列分析预测模型支持向量回归参数调整核函数收益预测

SVR不断预测平坦线

1 个回答

撰写回答