ランダムフォレスト（分類）による株価の上下予測

#ランダムフォレストを用いてn日後の株価の上下を予測するお話

参考にした論文↓
Predicting the direction of stock market prices using random forest

import time
import warnings
warnings.filterwarnings('ignore')

import os
import numpy as np
import pandas as pd
import pandas_datareader as pdr
import matplotlib.pyplot as plt
import pydotplus as pdp
import talib
from collections import OrderedDict

import sklearn
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics
from sklearn import tree


start=time.time()

output_dir = './output'
os.makedirs(output_dir, exist_ok=True)

def main():
    NAME='SNE'
    df1=pdr.DataReader(NAME,'yahoo',start='1999-6-01',end='2020-06-01')
    predict_data_start='2000-01-01'
    predict_data_end='2020-01-01'


    print("インポートしたデータの確認:")
    print("分析銘柄：",NAME)
    print(df1.head(5),"\n")

    df1["Close"]=df1["Adj Close"]
    df=df1[["High","Low","Open","Close","Volume"]]
    print("欠損値の確認（全てFalseであることを確認）：")
    print(df.isnull().all())

    Alpha=0.9
    data=pd.DataFrame([])
    target=pd.DataFrame([])

    train_data_list=[]
    test_data_list=[]
    train_target_list=[]
    test_target_list=[]
    Window_days_list=[20,40,60]

    #20,40,60営業日後に対する予測結果の計算
    for Window_days in Window_days_list:
        #インジケータの計算
        data,target=calculation_indicator(df,Window_days,Alpha)

        condition=((data.index>predict_data_start) & (data.index<predict_data_end))
        data=data.loc[condition]
        target=target.loc[condition]
        #データをtrain/testに分ける
        train_data,test_data,train_target,test_target=train_test_split(data,target,shuffle=False,test_size=0.1,random_state=0)

        #ランダムフォレストの計算
        go_RandomForest(train_data.values,test_data.values,train_target.values,test_target.values,Window_days)

        train_data_list.append(train_data)
        test_data_list.append(test_data_list)
        train_target_list.append(train_target)
        test_target_list.append(test_target)

    #OOBエラーの計算
    #OOB_error(df,train_data_list,test_data_list,train_target_list,test_target_list)



def OOB_error(df,train_data_list,test_data_list,train_target_list,test_target_list):

    RANDOM_STATE = 123
    min_estimators = 1
    max_estimators = 100

    ensemble_clfs = [(0,"RandomForestClassifier, DAYS=30",RandomForestClassifier()),
                        (1,"RandomForestClassifier, DAYS=60",RandomForestClassifier()),
                        (2,"RandomForestClassifier, DAYS=90",RandomForestClassifier())]
    error_rate = OrderedDict((label, []) for _,label, _ in ensemble_clfs)

    for j,label, clf in ensemble_clfs:
        for i in range(min_estimators,max_estimators+1):

            clf.set_params(n_estimators=i,oob_score=True)
            clf.fit(train_data_list[j],train_target_list[j])
            oob_error=1-clf.oob_score_

            error_rate[label].append((i, oob_error))


    for label, clf_err in error_rate.items():
        xs, ys = zip(*clf_err)
        plt.plot(xs, ys, label=label)

    plt.xlim(min_estimators, max_estimators)
    plt.xlabel("n_estimators")
    plt.ylabel("OOB error rate")
    plt.legend(loc="upper right")
    plt.savefig('./output/OOB_error.png')
    #plt.show()






def go_RandomForest(train_data,test_data,train_target,test_target,window_days):

    parameter={"n_estimators":[i for i in range(5,65,20)],
                "criterion":["gini"],
                "min_samples_leaf":[i for i in range(5,50,15)],
                "max_depth":[i for i in range(1,7,2)],
                "random_state":[123],
                "max_features":["auto"],
                }

    tscv=[(train,test) for train, test in sklearn.model_selection.TimeSeriesSplit(n_splits=5).split(train_data)]
    clf_fit=sklearn.model_selection.GridSearchCV(RandomForestClassifier(),param_grid=parameter,cv=tscv,n_jobs=4)
    train_target=np.reshape(train_target,(-1))
    test_target=np.reshape(test_target,(-1))
    clf_fit.fit(train_data,train_target)
    predictor=clf_fit.best_estimator_

    ##チューニングの履歴の出力
    para_tune=pd.DataFrame.from_dict(clf_fit.cv_results_)
    para_tune.to_csv('./output/para_select.csv')

    ##予測結果出力
    result_for_test_f=predictor.predict(test_data)
    table_f=sklearn.metrics.confusion_matrix(test_target,result_for_test_f)
    tn,fp,fn,tp=table_f[0][0],table_f[0][1],table_f[1][0],table_f[1][1]
    print("\n--------------------------------------------")
    print("Window_days:",window_days)
    print("パラメタフィッティング結果:")
    print(predictor.get_params(True).items(),"\n")
    print("結果(test_data):")
    print("Accuracy\t{0:.3f}".format((tp+tn)/(tp+fp+fn+tn)))
    print("Precision\t{0:.3f}".format(tp/(tp+fp)))
    print("Recall\t\t{0:.3f}".format(tp/(tp+fn)))
    print("SPC\t\t{0:.3f}".format(tn/(tn+fp)))

    result_for_train_f=predictor.predict(train_data)
    table_fc=sklearn.metrics.confusion_matrix(train_target,result_for_train_f)
    tn,fp,fn,tp=table_fc[0][0],table_fc[0][1],table_fc[1][0],table_fc[1][1]
    print("過学習のチェック")
    print("Accuracy(train_data)\t{0:.3f}".format((tp+tn)/(tp+fp+fn+tn)))
    print("--------------------------------------------\n")

    #結果をファイル書き出し
    with open('./output/result_random_forest.txt', 'w') as f:
        print("テストデータ:\n",test_target,"\n\n","予測結果:\n",result_for_test_f, file=f)


    #決定木の出力
    filename = "./output/tree.png"
    dot_data=tree.export_graphviz(clf_fit.best_estimator_[0], out_file=None,proportion=True)
    graph = pdp.graph_from_dot_data(dot_data)
    graph.write_png(filename)




def calculation_indicator(DF,Window_days,Alpha):

    DF["expClose"]=DF["Close"]
    DF["expHigh"]=DF["High"]
    DF["expLow"]=DF["Low"]
    DF["expVolume"]=DF["Volume"]

    #exponential_smootingの計算
    for i in range(1,len(DF)):
        DF["expClose"][i]=Alpha*DF["Close"][i]+(1-Alpha)*DF["expClose"][i-1]
        DF["expHigh"][i]=Alpha*DF["High"][i]+(1-Alpha)*DF["expHigh"][i-1]
        DF["expLow"][i]=Alpha*DF["Low"][i]+(1-Alpha)*DF["expLow"][i-1]
        DF["expVolume"][i]=Alpha*DF["Volume"][i]+(1-Alpha)*DF["expVolume"][i-1]


    #targetの追加
    DF["target"]=0.0
    for i in range(0,len(DF)-Window_days):
        if((DF["Close"][i+Window_days]-DF["Close"][i])>0.0):
            DF["target"][i]=int(1)
        else:
            DF["target"][i]=int(-1)

    #RSIの計算
    close=np.array(DF["expClose"])
    rsi=talib.RSI(close,timeperiod=14)
    DF["RSI"]=rsi

    #Stochastic_Ocillatorの計算
    high=np.array(DF["expHigh"])
    low=np.array(DF["expLow"])
    DF["%K"]=0.0
    for i in range(14,len(DF)):
        H14=DF["expHigh"][i-14:i-1].max()
        L14=DF["expLow"][i-14:i-1].min()
        DF["%K"][i-1]=100*(DF["expClose"][i-1]-L14)/(H14-L14)

    #Williams_%Rの計算
    willr=talib.WILLR(high,low,close,timeperiod=14)
    DF["%R"]=willr

    #MACDの計算
    ema12=talib.EMA(close,timeperiod=12)
    ema26=talib.EMA(close,timeperiod=26)
    macd=ema12-ema26
    DF["MACD"]=macd

    #Price_Rate_Of_Changeの計算
    DF["PROC"]=0.0
    for i in range(Window_days,len(DF)):
        DF["PROC"][i-1]=(DF["expClose"][i]-DF["expClose"][i-Window_days])/DF["expClose"][i-Window_days]

    #OBVの計算
    DF["OBV"]=0.0
    volume=np.array(DF["expVolume"])
    obv=talib.OBV(close,volume)
    DF["OBV"]=obv

    np.set_printoptions(edgeitems=20)
    #print(macd)
    DF.to_csv('./output/all_data.csv')

    return DF[["RSI","%K","%R","MACD","PROC","OBV"]],DF[["target"]]




main()

calculation_time=time.time()-start
print ("calculation_time:{0:.2f}".format(calculation_time) + "[sec]")

1つ1つ解説してみる。
まずはimportとwarningsのignoreを書いておく。

import time
import warnings
warnings.filterwarnings('ignore')

import os
import numpy as np
import pandas as pd
import pandas_datareader as pdr
import matplotlib.pyplot as plt
import pydotplus as pdp
import talib
from collections import OrderedDict

import sklearn
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn import metrics
from sklearn import tree

次に、計算時間の測定のためのtime関数を挟んでおく。処理時間を知りたい部分に挿入する。ここでは、importの下とmain関数の実行部分の下、つまりコードのほぼ最後に挟んでいる。
makedirsは出力するデータを格納するためのフォルダを作成するために記載。
（作業コードと同じディレクトリに出力してもいいけど、見た目があんまり綺麗じゃない気がするので。）

start=time.time()

output_dir = './output'
os.makedirs(output_dir, exist_ok=True)

次にmain関数の中身。
pandasのdatareaderを使って株価の日足データを取得。
head(5)で先頭5行文だけ確認しておく。

    NAME='SNE'
    df1=pdr.DataReader(NAME,'yahoo',start='1999-6-01',end='2020-06-01')
    predict_data_start='2000-01-01'
    predict_data_end='2020-01-01'


    print("インポートしたデータの確認:")
    print("分析銘柄：",NAME)
    print(df1.head(5),"\n")

必要な列のみ取り出したり、欠損値が無いかどうか確認。

    df1["Close"]=df1["Adj Close"]
    df=df1[["High","Low","Open","Close","Volume"]]
    print("欠損値の確認（全てFalseであることを確認）：")
    print(df.isnull().all())

変数の宣言や、空のリストを準備したり。

    Alpha=0.9
    data=pd.DataFrame([])
    target=pd.DataFrame([])

    train_data_list=[]
    test_data_list=[]
    train_target_list=[]
    test_target_list=[]
    Window_days_list=[20,40,60]

1回の実行で複数の営業日後の株価予測をしようとしたので、for文。

    #20,40,60営業日後に対する予測結果の計算
    for Window_days in Window_days_list:
        #インジケータの計算
        data,target=calculation_indicator(df,Window_days,Alpha)

        condition=((data.index>predict_data_start) & (data.index<predict_data_end))
        data=data.loc[condition]
        target=target.loc[condition]
        #データをtrain/testに分ける
        train_data,test_data,train_target,test_target=train_test_split(data,target,shuffle=False,test_size=0.1,random_state=0)

        #ランダムフォレストの計算
        go_RandomForest(train_data.values,test_data.values,train_target.values,test_target.values,Window_days)

        train_data_list.append(train_data)
        test_data_list.append(test_data_list)
        train_target_list.append(train_target)
        test_target_list.append(test_target)

    #OOBエラーの計算
    #OOB_error(df,train_data_list,test_data_list,train_target_list,test_target_list)

疲れたので、ひとまずここまで。