기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[stock]SGDRegressor를 사용한 주가예측

SGDRegressor를 사용한 주가예측

Stochastic Gradient Descent(SGD) 알고리즘을 사용하여 선형모델을 학습시키는 클래스입니다.

sklearn.linear_mode.SGDRegressor() 클래스를 사용하며 선형모델을 생성합니다.

  • loss: 손실함수 지정, 'squaredd_error'(최소제곱오차, 기본값), 'huber', 'epsilon_insensitive', 'squared_epsilon_insensitive'를 지정할 수 있음.
  • penalty : 과적합 방지를 위한 적용할 규제 지정 . ('l1', 'l2', 'elasticnet'). 기본값은 None (규제 없음)입니다.
  • alpha: 규제 강도를 조절하는 상수이며 클수록 규제가 강해집니다. 기본값은 0.0001입니다.
  • l1_ratio: Elastic Net 규제 사용 시 L1 규제와 L2 규제의 혼합 비율을 결정합니다 (0 ≤ l1_ratio ≤ 1). penalty='elasticnet'일 때만 사용됩니다.
  • fit_intercept: 모델에 절편 (bias) 항을 추가할지 여부를 결정. 기본값은 True.
  • max_iter: 학습 데이터에 대한 최대 반복 횟수 (epoch)를 지정. 기본값은 1000.
  • tol: 학습 종료 조건으로, 손실 함수의 감소량이 이 값보다 작으면 학습을 중단. 기본값은 1e-3.
  • learning_rate: 학습률 스케줄링 방법을 지정('constant', 'optimal', 'invscaling', 'adaptive'). 기본값은 'invscaling'.
  • eta0: 초기 학습률을 지정 (learning_rate='constant' 또는 learning_rate='invscaling'일 때 사용). 기본값은 0.01.
  • random_state
  • shuffle: 각 epoch마다 데이터를 섞을지 여부를 결정. 기본값은 True.
import numpy as np
import pandas as pd
import pandas_ta as ta
import matplotlib.pyplot as plt
import FinanceDataReader as fdr
import matplotlib.pyplot as plt

from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import SGDRegressor
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, mean_squared_error, r2_score
st=pd.Timestamp(2023, 1,1)
et=pd.Timestamp(2025, 5,20)
trgnme="000660"
trg=fdr.DataReader(trgnme,  st, et)
df=trg[["Open", "High", "Low", "Close", "Volume"]]
#위 데이터를 기준으로 기술적 지표를 첨가한 새로운 자료 생성 
data=df.copy()
data["ema5"]=df.ta.ema(5)
data["ema20"]=df.ta.ema(20)
data[['bbl', 'bbm','bbu']]=df.ta.bbands().iloc[:,:3]
data.dropna(inplace=True)
data.head(1).round(0)
Open High Low Close Volume ema5 ema20 bbl bbm bbu
Date
2023-01-31 90800 90800 86800 88500 5185088 89697.0 85675.0 88293.0 90880.0 93467.0

자료 Close 예측을 위한 sgd 모델을 구축합니다. 모델 구축을 위해 데이터를 정규화하고 학습과 검증 데이터로 분리합니다. 또한 SGDRegressor()클래스의 다양한 하이퍼파라메터의 적정값으로 구성된 모델을 생성하기 위해 GridSearch() 클래스를 적용합니다.

d=df.copy()
ind=d.values
de=d["Close"].values
scalerX=StandardScaler().fit(ind[:-1, :])
X=scalerX.transform(ind[:-1,:])
Xfinal=scalerX.transform(ind[-1,:].reshape(-1, ind.shape[1]))
scalery=StandardScaler()
y=scalery.fit_transform(de[1:].reshape(-1,1)).flatten()
Xtr, Xte, ytr, yte=train_test_split(X, y, test_size=0.3, random_state=7)

param={"alpha":[0.0001, 0.001, 0.01, 0.1, 1], "l1_ratio":[0.0, 0.25, 0.5, 0.75, 1.0]}
sgd_reg=SGDRegressor(penalty="elasticnet", random_state=7)
sgd_search=GridSearchCV(sgd_reg, param, cv=5, scoring='neg_mean_squared_error',  n_jobs=-1)
sgd_search.fit(Xtr, ytr)
sgd_search.best_estimator_
SGDRegressor(alpha=0.001, l1_ratio=1.0, penalty='elasticnet', random_state=7)

sgd_search의 메소드 .score()는 음의 MSE값을 반환합니다.

sgd_search.score(Xtr, ytr), sgd_search.score(Xte, yte)
(-0.013411371990480763, -0.012495508936140981)

위 결과는 학습과 검증 세트 간의 큰 차이는 없습니다. 그러나 이 값들만으로 의미를 찾기는 어렵습니다. 대신에 결정계수(R2)로 비교해 봅니다. 이것은 sklearn.metrics.2_score(y, pre) 함수로 계산할 수 있습니다.

preTr=sgd_search.predict(Xtr)
preTe=sgd_search.predict(Xte)
r2tr=r2_score(ytr, preTr)
r2te=r2_score(yte, preTe)
print("r2_tr: {%.3f}, r2_te: {%.3f}" %(r2tr, r2te))
r2_tr: {0.987}, r2_te: {0.986}

최종예측을 위한 예측변수인 Xfinal에 대한 예측은 다음과 같습니다.

pre=sgd_search.predict(Xfinal)
scalery.inverse_transform(pre.reshape(-1,1))
array([[203426.69373404]])

위 과정을 하나의 함수로 작성하여 Open, High, Low, Close을 예측합니다.

#sgdregressor()에 의한 예측 함수 
def sgdPredict(data, deCol="Close", testSize=0.3, randomState=7):
    ind=data.values
    de=data[deCol].values
    scalerX=StandardScaler().fit(ind[:-1, :])
    X=scalerX.transform(ind[:-1,:])
    Xfinal=scalerX.transform(ind[-1,:].reshape(-1, ind.shape[1]))
    scalery=StandardScaler()
    y=scalery.fit_transform(de[1:].reshape(-1,1)).flatten()
    Xtr, Xte, ytr, yte=train_test_split(X, y, test_size=testSize, random_state=randomState)
    param={"alpha":[0.0001, 0.001, 0.01, 0.1, 1], "l1_ratio":[0.0, 0.25, 0.5, 0.75, 1.0]}
    sgd_reg=SGDRegressor(penalty="elasticnet", random_state=7)
    sgd_search=GridSearchCV(sgd_reg, param, cv=5, scoring='neg_mean_squared_error',  n_jobs=-1)
    sgd_search.fit(Xtr, ytr)
    pre=sgd_search.predict(Xfinal)
    return scalery.inverse_transform(pre.reshape(-1,1)).flatten()

#위 결과에 당일 Open을 고려한 결과를 반환 
#result: 위 홤수들의 결과, op: 당일  Open
def consider_Op(result, op):
    open_op=result["Open"]-op
    r=pd.DataFrame()
    for i, j in enumerate(result.index):
        r=pd.concat([r, result.iloc[i,:]-open_op.iloc[i]], axis=1)
    return r.T
result_sgd1={}
result_sgd2={}
for i in ["Open","High","Low", "Close"]:
    result_sgd1[i]=sgdPredict(df, deCol=i)
    result_sgd2[i]=sgdPredict(data, deCol=i)
result_sgd1=pd.DataFrame(result_sgd1)
result_sgd2=pd.DataFrame(result_sgd2)
result_sgd=pd.concat([result_sgd1, result_sgd2])
result_sgd.index=["OHLC", "addIdx"]
result_sgd.round(0)
Open High Low Close
OHLC 203432.0 206961.0 200091.0 203427.0
addIdx 202584.0 205584.0 199389.0 203113.0

위 결과에 알려진 시가를 고려합니다(consider_Op() 사용).

consider_Op(result_sgd, 204500).round(0)
Open High Low Close
OHLC 204500.0 208029.0 201159.0 204495.0
addIdx 204500.0 207500.0 201305.0 205028.0

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...