案例展示 - BFF5555 Project: Predicting Short-Term Market Movements Using Machine Learning

这次我完成了BFF5555 - Capstone Project，该项目评估了学生应用机器学习概念和框架构建预测模型的能力，具体应用于金融市场的预测。该项目涉及开发一个机器学习模型，以预测市场的短期正向变动（上涨趋势），并将其视为一个二元分类问题。

项目背景与目标：

该项目的目标是使用OHLCV（Open, High, Low, Close, Volume）数据构建特征，应用机器学习模型预测市场的短期收益。学生被要求完成以下关键任务：

1. 选择一个股票或ETF作为预测目标。
2. 开发一个机器学习模型来预测每日或每周的市场上涨趋势（0-下跌，1-上涨）。
3. 应用特征工程、算法选择、超参数调优等技术，最后通过交叉验证选择最终的模型。
4. 用相关的金融指标如年化收益和夏普比率对模型进行评估，并与买入并持有策略进行对比。

主要实现步骤：

• 我选择了Apple (AAPL)作为预测对象，并从Yahoo Finance获取了过去5年的每日OHLCV数据。
• 应用了特征工程技术，构建了多个技术指标，包括开盘价与收盘价差（O-C）、最高价与最低价差（H-L）、过去收益率（Lagged Returns）、**移动平均线（Moving Average）**等。
• 使用了pandas-ta库生成技术指标，并对数据进行标准化处理。
• 通过计算特征重要性排名，例如使用随机森林、LASSO正则化等方法筛选了重要特征。
• 我选择了前20个最具代表性的特征作为模型输入，包括多种价格区间、过去收益率、技术指标等。
• 使用了该课程中涵盖的多个模型，包括逻辑回归、支持向量机（SVM）、随机森林、XGBoost等。
• 我进行了超参数调优（例如使用GridSearchCV进行交叉验证），最终选择了性能最优的随机森林模型。
• 训练集与测试集的划分比例为80%:20%。
• 对每日收益率进行了标签定义，将小于0.25%的正收益标记为负类。
• 使用了准确率（Accuracy）、**混淆矩阵（Confusion Matrix）**等指标对模型进行了评估。
• 为了验证模型的有效性，进行了回测分析，计算了模型策略与“买入并持有策略”的年化收益率及夏普比率。
• 结果显示，基于预测模型的策略在年化收益率和夏普比率上都优于基准策略，说明该模型具有一定的预测能力。
• 我撰写了详细的PDF报告，包含了模型的选择、特征的构建、结果的分析和未来的改进建议。
• 在Jupyter Notebook中展示了所有代码，包括数据预处理、特征选择、模型训练、预测与回测等，所有结果均可复现。

成果展示：

• 编程语言：Python
• 使用库：pandas，numpy，scikit-learn，pandas-ta，matplotlib
• 文件格式：PDF报告、Jupyter Notebook代码、CSV数据文件
• 项目结果：
  • 通过回测，模型策略的年化收益率为8.5%，夏普比率为1.2，显著优于“买入并持有策略”的年化收益率6.3%和夏普比率0.9。
  • 模型准确率为86%，具备一定的预测能力。

联系我们

WeChat：pythonyt001
Email: [email protected]