本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)。

首先要強(qiáng)調(diào)，文中只是簡單展示了怎樣上手H2o.ai機(jī)器學(xué)習(xí)框架，并不作為投資理財?shù)慕ㄗh。不要簡單根據(jù)本文就做出任何投資理財?shù)臎Q策。

[[333548]]

本文將向你展示如何使用R語言和H2o.ai機(jī)器學(xué)習(xí)框架預(yù)測股價。該框架也可以在Python中使用，但因為筆者更熟悉R語言，所以本文就用R語言來演示。以下是詳細(xì)的步驟：

1. 搜集數(shù)據(jù)
2. 導(dǎo)入數(shù)據(jù)
3. 整理并操作數(shù)據(jù)
4. 分割測試并觀察訓(xùn)練
5. 選擇模型
6. 訓(xùn)練模型
7. 用模型測試數(shù)據(jù)
8. 評估結(jié)果
9. 如有必要便改進(jìn)模型
10. 重復(fù)步驟5到10，直到對結(jié)果滿意為止

本文研究的問題是：股票在接下來一小時的收盤價是多少?

數(shù)據(jù)整理

導(dǎo)入想要通過MetaTrader軟件進(jìn)行預(yù)測的資產(chǎn)數(shù)據(jù)之后，需要更改一些變量。首先，定義變量名稱：

#seting the name of variables 
col_names <- c("Date", "Open", "High","Low", "Close", "Tick", "Volume") 
colnames(data) <- col_names 
head(data) 

數(shù)據(jù)格式如下：

我們僅用到開盤價、最高價、最低價、收盤價和交易量等一些能獲得的數(shù)據(jù)，那么就需要清除其他數(shù)據(jù)：

data$Date <- NULL 
data$Tick <- NULL 

因為我們想知道下一個觀測期的收盤價，所以需要將下面的值移到上一行，需要用新數(shù)據(jù)在原始數(shù)據(jù)集中創(chuàng)建函數(shù)并設(shè)置變量：

#shifting n rows up of a given variable 
shift <- function(x, n) {  
 c(x[-(seq(n))], rep(NA, n)) 
} 
data$shifted <- shift(data$Close, 1) 
tail(data) 

注意，我們已在上一行中給變量收盤價賦了值。所以，在最后一行中會出現(xiàn)NA，我們用na.omit ()函數(shù)跳過這一行：

#remove NA observations 
data <- na.omit(data) 
write.csv(data, "data.csv") 

OK，數(shù)據(jù)已準(zhǔn)備就緒，可以開始建模了。

分割數(shù)據(jù)

[[333549]]

用H2O.ai進(jìn)行數(shù)據(jù)分割。H2O.ai為我們分析和訓(xùn)練人工智能模型提供了一套完整的解決方案，非常好用，即便是沒有任何數(shù)據(jù)科學(xué)背景的人也能使用它來解決復(fù)雜的問題。先下載H2O.ai：

#Installing the package 
install.packages("h2o") 
 
#loading the library 
library(h2o) 

安裝加載好后，啟動用于建模的虛擬機(jī)。啟動虛擬機(jī)時，必須設(shè)置所需的核數(shù)和內(nèi)存參數(shù)：

#Initializing the Virtual Machine using all the threads (-1) and 16gb ofmemory 
h2o.init(nthreads = -1, max_mem_size = "16g") 

導(dǎo)入數(shù)據(jù)：

h2o.importFile("data.csv") 
h2o.describe(data) 

接著定義想要在數(shù)據(jù)集中預(yù)測的變量，以及那些用于訓(xùn)練模型的變量：

y <- "shifted" #variable we want to forecast 
x <- setdiff(names(data), y) 

隨后，分割數(shù)據(jù)，分別用于訓(xùn)練和測試，其中80%用于訓(xùn)練數(shù)據(jù)。

parts <- h2o.splitFrame(data, .80) 
train <- parts[[1]] 
test <- parts[[2]] 

完成這些步驟，就是時候見證H2O.ai創(chuàng)造奇跡的時候了。

選擇模型

每一位數(shù)據(jù)科學(xué)家在創(chuàng)建自己的機(jī)器學(xué)習(xí)項目時，必須完成的一項任務(wù)便是識別出最佳的一個或一組模型來進(jìn)行預(yù)測。這需要大量的知識，尤其是深厚的數(shù)學(xué)基礎(chǔ)，來決定針對特定任務(wù)的最佳方案。

我們可以借助H2O.ai來選擇最佳模型，這樣就可以騰出時間解決其他問題，這便是自動建模。雖然這可能不是解決問題最有效的方法，卻是一個不錯的嘗試。

訓(xùn)練模型

創(chuàng)建模型，需要調(diào)用automl函數(shù)并傳遞必要的參數(shù)：

automodel <- h2o.automl(x, y, train, test, max_runtime_secs = 120) 

幾分鐘后，我們就能獲取一個按性能順序排列的模型列表：

運用模型

現(xiàn)在，可以用模型來測試數(shù)據(jù)啦!你還可以用模型對尚未觀察到的數(shù)據(jù)進(jìn)行性能評估，以模型和測試數(shù)據(jù)作為參數(shù)調(diào)用預(yù)測函數(shù)：

predictions <- h2o.predict(automodel@leader, test) 

好啦，靜待一小時，看看你的預(yù)測能否成真吧。

免責(zé)聲明：本文不是投資建議，預(yù)測股票價格并不是一項簡單的任務(wù)，本文只是簡單說明了用H2O.ai解決機(jī)器學(xué)習(xí)問題是多么容易。預(yù)測股價走勢非常容易，但這并不意味著預(yù)測都是正確或準(zhǔn)確無誤的。