прогностическое моделирование с использованием метода случайного леса

Я создал модель классификации случайного леса в scikit-learn, но не уверен, как завершить свой прогноз.

Я построил модель, и она показывает хорошие результаты на тестовых данных. Я получаю среднюю точность 85%. Прогнозирую, вырастет ли цена акций или упадет. Я использовал данные из Yahoo Finance, состоящие из открытой, максимальной, минимальной, закрытой цен и объема. Оттуда я вычислил некоторые технические индикаторы, такие как RSI, ROC, стохастические осцилляторы (быстрый и медленный), MACD, объем на балансе и 200-дневную скользящую среднюю и использовал их в качестве признаков (независимых переменных) в классификаторе случайного леса. Я создал еще один столбец, показывающий 1, когда цена выросла, и 0, когда цена упала. Этот столбец использовался в качестве зависимой переменной. (то, что я хочу предсказать)

Теперь я пытаюсь выяснить, как мне сделать прогноз на неизвестное будущее? На данный момент я разделил свои данные на обучающие и тестовые, обучил модель на обучающем наборе данных, а затем использовал функцию предсказания на тестовом наборе данных. Модель работает хорошо, и после небольших доработок ее можно использовать.

Но как? Я не могу найти в документации scikit-learn о случайном лесу, как фактически сделать прогноз на будущее (не на тестовых данных), скажем, например, на следующие 10 дней с последнего дня данных. Надеюсь, вы понимаете, о чем я. Вот мой код.

Вот мой код:

X_train2, X_test2, y_train2, y_test2 =
train_test_split(data2.drop('prediction',axis=1),data2.prediction,test_size=0.02)

from sklearn.ensemble import RandomForestClassifier
model1 = RandomForestClassifier(random_state=13)
model1.fit(X_train2,y_train2)

predicted = model1.predict(X_test2)
model1.score(X_test2, y_test2)

from sklearn.metrics import roc_auc_score 
probabilities = model1.predict_proba(X_test)
probabilities

roc_auc_score(y_test2, probabilities[:,1])

from sklearn.metrics import confusion_matrix

confusion_matrix(y_test2, predicted)

В вашем случае X – это не будущие данные.

X – это сегодняшние данные, так как вы пытаетесь предсказать завтрашнее увеличение или уменьшение значения 1 или 0.

Таким образом, model1.predict(X) с X, являющимся современными данными, даст вам предсказание 0 или 1.

И это всё с вашей моделью.

Краткий ответ: вы не можете запустить свою текущую модель, как описано, в будущее. Тем не менее, есть надежда.

При построении модели прогнозирования вы, как правило, используете “авторегрессионную” модель, которая предсказывает, например, цену в будущем на основе цены в прошлом. Причина, по которой это работает, заключается в том, что вы предсказываете следующее значение и генерируете следующий вход для вашей модели. Допустим, у вас есть авторегрессионная модель $F(X) \rightarrow Y$, которая предсказывает цену акций завтра ($Y$) на основе цены сегодня ($X$). Вы можете запустить это в будущее с помощью рекурсивных вызовов к вашей модели.
$Y_{10}$ = $F(Y_9)$ = $F(F(Y_8))$ … $= F(…F(X)$.

Теперь давайте взглянем на ваш случай. Ваша модель принимает на вход различные технические индикаторы
$\color{grey}{\text{RSI, ROC, стохастические осцилляторы (быстрые и медленные), MACD, объем на балансе и 200-дневная скользящая средняя}}$
Таким образом, с вашей текущей моделью, чтобы спроецировать на будущее 10 дней, нам нужна оценка этих признаков на 9 дней вперед.

Вот несколько решений.

Вы можете обучить модель, чтобы предсказывать на 10 дней вперед. Таким образом, вместо обучения $F(X_i) \rightarrow Y_{i+1}$ вы обучаете $F(X_i) \rightarrow Y_{i+10}$.

Вы можете построить модель, чтобы предсказывать ваши признаки на будущее. $F(X_i) \rightarrow X_{i+1}$, а затем использовать эти новые оцененные признаки с вашей текущей моделью. Это легче, если $\color{grey}{\text{RSI, ROC, стохастические осцилляторы, …}}$ выведены из цены. В этом случае мы можем оценить цену, а затем вывести эти значения. Хотя я не знаком с финансами, чтобы сказать, можете ли вы вывести их из цены.

Тем не менее, в качестве предостережения вы должны глубоко подумать о производительности вашей модели и о том, не вводит ли она вас в заблуждение. Вы можете рассмотреть следующее: Сравнивали ли вы производительность с какими-либо простыми базовыми моделями? Есть ли “утечка цели”? Если вы посмотрите на интерпретацию вашей модели, логичны ли шаблоны, которые она нашла?

Вы завершили фазу обучения. Следующая фаза обычно называется предсказанием / выводом. Это когда уже обученная модель предсказывает метки для данных.

Поскольку вы используете scikit-learn, вам следует вызвать .predict метод. В вашем коде это будет model1.predict(X), где X – это массив в стиле numpy, содержащий данные признаков. Результатом будет предсказанный класс (0 или 1) для каждой записи в X.