数据挖掘入门与实战 公众号： datadw
监督式学习是机器学习的一个分支，可以通过训练样本而建立起一个输入和输出之间的函数，并以此对新的事件进行预测。
典型的监督学习流程如下：
支持向量机
是监督学习中一种常用的学习方法。
支持向量机（ Support Vector Machines SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围）。具体就不详细介绍了，百度有很多资料。
http://scikit-learn.org/stable/modules/svm.html#svm 中是SVM函数和简单介绍。
from sklearn.svm import SVR 可以构造支持向量回归（Support Vector Regression）模型
from sklearn.svm import SVC 可以用于分类（Support Vector Classification）
Support Vector Regression官网的一个简单例子。
http://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html#example-svm-plot-svm-regression-py
从回归的角度，可以根据之前的历史数据，预测下一个时间点的股价。
分类的角度，可以根据历史数据，预测下一个时间点股价的正负。
下面对股票数据进行回归建模。
特征选择
基本面因子：PE，PB，ROE等
技术指标因子：RSI、KDJ、MA、MACD等
蜡烛图形态因子：三乌鸦、锤子线等
输出
股价
股价涨跌分类
未来一段时间收益率
利用非监督学习甚至深度学习找到特征
比如找到大涨的股票，然后看大涨前一段时间的形态有没有相似的，利用非监督学习的方法。显然，这样的关系可能不是那么明显地存在于股票的价格中，可能存在于收益曲线中或者方差曲线中，甚至更高复杂度的统计量中。深度学习提供了将原数据投影到另一个特征空间中的方法，而且是高度非线性的。那么，原数据中没有体现出来的相关性，会不会在这种高度非线性的投影空间中体现出来呢？这个问题值思考。
SVR (Support Vector Regression)
SVR是SVM(Support Vector Machine)中的一个版本，可以用于解决回归问题。
-0.192138249253
0.897470249992 4.88498130835e-17 1.0
array([[ 0.22282753, 0.25228758, 0.3448784 , 0.33066172], [ 0.26034535, 0.27540362, 0.24237401, 0.20206961]])
拟合与预测
假设i为1，days为30，
X：第i~i+days 天的开盘，收盘，最高，最低数据。
y：第i+1~i+days+1 天（对应的第二天）的开盘价。
X2：第i~i+days+1天的开盘，收盘，最高，最低数据。
yrep：第i+1~i+days+2天（对应的第二天）的预测开盘价。
yreal：第i+1~i+days+2天的开盘价。
yreal2：第i+days+2天的开盘价减第i+days+1天的开盘价。（真实趋势，大于0表示涨了）
yrep2：第i+days+2天的开盘价减第i+days+1天的预测开盘价。（预测趋势，大于0表示涨了）
同号相乘大于零，这里统计的是所有预测趋势的正确数量，预测涨和跌都算在里面了。
t：预测成功次数。
后面的两个if统计的是当预测为涨的时候，实际涨的次数和跌的次数。这个胜率只统计预测涨的成功率。
m：预测上涨，且真实情况上涨的次数。
e：预测上涨，但真实情况下跌的次数。
70.9523809524
66.3636363636
（结果还不错）
图中蓝线代表的是预测的走势，红点代表输入的训练集，绿点代表未来值，可以看到，蓝线最后一段的走势和红点很接近。
链接：https://zhuanlan.zhihu.com/p/24779083
