hmmlearn 原为sklearn中的模块,现在已经独立出来,需要另外安装。
pip install hmmlearn
这个库在ubuntu环境下安装很顺利,但是win7下安装老是出错,如果遇到出错的情况,可以去Python非官方第三方库网站下载whl文件自行使用pip安装。
因为hmmlearn的官方文档写得不清不楚,所以要学习hmmlearn之前要对隐马尔可夫模型有一定的了解。
首先要知道隐马尔可夫模型的五大要素、三大假设、三大问题。
S:状态值序列 O: 观察值序列 π:初始化概率 A: 状态转移矩阵 B: 给定状态下,观察值概率矩阵
而HMM模型本身具有三大参数
,计算某个观测序列O出现的概率。
,使观测序列O的概率
最大。
在hmmlearn的官方文档中给出了使用hmmlearn分析股票隐藏状态的例子,相当于上述三大问题中的学习+解码问题。
因为例子中的雅虎金融数据获取不到,所以数据获取源使用了国内的Tushare,可以通过pip安装:
pip install tushare
import numpy as np
import matplotlib.pyplot as plt
import tushare as ts
from hmmlearn.hmm import GaussianHMM
data = ts.get_hist_data('600848',start = '2010-01-01',end='2017-12-31')
close_v = data['close'].values#当日收盘价格
volume = data['volume'].values#当日交易量
dates = np.array([i for i in range(data.shape[0])])#懒得处理日期了,这里直接使用阿拉伯数字代替日期
fig1 = plt.figure()
plt.plot(close_v,color = 'blue')
plt.show()
fig1.savefig("H:/learning_notes/study/machine_learning/HMM/stocks.jpg")
股票数据如下图所示:
接下来需要将收盘价格转换成涨跌幅数据。
diff = np.diff(close_v)#要训练的是收盘价格的变化值
dates = dates[1:]
close_v = close_v[1:]
volume = volume[1:]
X = np.column_stack([diff,volume])
diff = diff.reshape(-1,1)#一维数据需要进行处理
hmmlearn的API继承了sklearn一贯的简洁风格,初始化模型时只需要提供几个简单的参数就可以了,下面的ncomponents是状态序列中的状态种类数量,niter是迭代次数:
model = GaussianHMM(n_components=2,n_iter=1000)
model.fit(diff)#训练模型————学习问题
hidden_states = model.predict(diff)#估计状态序列————解码问题
fig2 = plt.figure()
for j in range(len(close_v)-1):
for i in range(model.n_components):
if hidden_states[j] == i:
plt.plot([dates[j],dates[j+1]],[close_v[j],close_v[j+1]],color = colors[i])
plt.show()
fig2.savefig("H:/learning_notes/study/machine_learning/HMM/hidden_states.jpg")
不同时刻的状态如下图所示,明显能看出该股票被分成了震荡与剧烈涨跌两种状态:
完整代码: