贝叶斯分类对股票走势预测

    上一文介绍了K均值对股票K线分类，该文对它做一个应用，通过贝叶斯分类器进行股票走势的预测。    好多炒股的大牛都说看K线判断次日的涨跌，按照这个思路，我们将前六根k线做为输入，涨幅超过2个点为1作为输出训练贝叶斯分类器，然后输入当日的前六根K线作为输入，来预测明日的股票走势。    首先介绍一下贝叶斯分类器。    贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。（摘自百度百科）说白了就是贝叶斯公式：    P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)    其中X = ( X1 , X2 , ... , Xn)表示输入的特征，也就是我们的6根K线，C为类集合( c1 , c2 , ... , cm)，当输入为x，输出为ci类的概率最大即为输出的类别，即：    P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) }    这里我们假定输入的K线相互独立，那么    P( X = x | C = ci)  = P( x= x1 | C = ci)*P( x= x2 C = ci)... P( x= xn | C = ci)    又因为对于确定的输入X,P(X=x)为常数，所以判别函数可以修改为：        F(P( C = ci | X = x)) = G(Max{  P( X = x | C = c1) * P( C = c1),  P( X = x | C = c2 * P( C = c2), ... ,  P( X = x | C = cm) * P( C = cm)});        其中，G为判别函数。按照上面的思路，我们编码，这里直接贴代码吧，看不懂 都可以留言：

function Bayes(){}Bayes.prototype.train = function(trainMatrix,trainCategory){var cateMaps = new Map();for(var i = 0;i < trainCategory.length;i++){    if(!cateMaps.containsKey(trainCategory[i])){        cateMaps.put(trainCategory[i],0);    }    cateMaps.put(trainCategory[i],cateMaps.get(trainCategory[i]) + 1);}cateMaps.each(function(key,value){    cateMaps.put(key,cateMaps.get(key)/trainCategory.length);});var labelsTree = new Map();var labelsCount = new Map();for(var i = 0;i 
上述是基于javascript贝叶斯分类器。
接下来根据上一文的K均值聚类归类好的K线构建构建训练数据集，实现方法：
function inputMean(series,close){        var data = [],labels = [],x = [];        var kcount = 6;//k线数量        var cast = 1;        for(var i = 0;i < series.length - kcount - cast + 1;i++){            var tmp = [];            for(var j = 0;j < kcount;j++){                tmp.push(series[i + j]);            }            labels[i] = ((close[i + kcount + cast] - close[i + kcount])/close[i + kcount]*100 > 2)?'1':'0';            data.push(tmp);        }        for(var i = 0;i < series.length - kcount+1;i++){            var tmp = [];            for(var j = 0;j < kcount;j++){                tmp.push(series[i + j]);            }            x.push(tmp);        }        return[data,labels,x];    }
上面代码将计算6根K线作为输入，次日涨幅超过2%为1类，否则为0类，输出训练集data与结果集label，接下来我们将输入集与结果集输入贝叶斯分类器训练。
        dt = inputMean(result.cluster,close);        var bayes = new Bayes();        bayes.train(dt[0],dt[1]);
将训练后的分类器对数据进行分类：
        var test = [];        var tx = [];        for(var i = 0;i < dt[2].length;i++){            test.push(((bayes.predict(dt[2][i]).get(1) > bayes.predict(dt[2][i]).get(0))?1:0));            //test.push(bayes.predict(dt[2][i]).get(1))            tx.push(date[i + 6]);        }

对历史数据的预测准确率基本可以达到80%以上（这里包括训练集，所以不太准确）。
综上，贝叶斯分类与K均值聚类可以作为股票买卖的参考，当然不值得迷信（哈哈）。因为自己一直在研究，源码有点乱，等整理好了再上传git吧。