在 HMM 中,有两个基本假设:
齐次 Markov 假设(未来只依赖于当前):
p ( i t + 1 ∣ i t , i t − 1 , ⋯ , i 1 , o t , o t − 1 , ⋯ , o 1 ) = p ( i t + 1 ∣ i t ) p(i_{t+1}|i_t,i_{t-1},\cdots,i_1,o_t,o_{t-1},\cdots,o_1)=p(i_{t+1}|i_t) p(it+1∣it,it−1,⋯,i1,ot,ot−1,⋯,o1)=p(it+1∣it)
观测独立假设:
p ( o t ∣ i t , i t − 1 , ⋯ , i 1 , o t − 1 , ⋯ , o 1 ) = p ( o t ∣ i t ) p(o_t|i_t,i_{t-1},\cdots,i_1,o_{t-1},\cdots,o_1)=p(o_t|i_t) p(ot∣it,it−1,⋯,i1,ot−1,⋯,o1)=p(ot∣it)
HMM 要解决三个问题:
p ( O ∣ λ ) = ∑ I p ( I , O ∣ λ ) = ∑ I p ( O ∣ I , λ ) p ( I ∣ λ ) p(O|\lambda)=\sum\limits_{I}p(I,O|\lambda)=\sum\limits_{I}p(O|I,\lambda)p(I|\lambda) p(O∣λ)=I∑p(I,O∣λ)=I∑p(O∣I,λ)p(I∣λ)
p ( I ∣ λ ) = p ( i 1 , i 2 , ⋯ , i t ∣ λ ) = p ( i t ∣ i 1 , i 2 , ⋯ , i t − 1 , λ ) p ( i 1 , i 2 , ⋯ , i t − 1 ∣ λ ) p(I|\lambda)=p(i_1,i_2,\cdots,i_t|\lambda)=p(i_t|i_1,i_2,\cdots,i_{t-1},\lambda)p(i_1,i_2,\cdots,i_{t-1}|\lambda) p(I∣λ)=p(i1,i2,⋯,it∣λ)=p(it∣i1,i2,⋯,it−1,λ)p(i1,i2,⋯,it−1∣λ)
根据齐次 Markov 假设:
p ( i t ∣ i 1 , i 2 , ⋯ , i t − 1 , λ ) = p ( i t ∣ i t − 1 ) = a i t − 1 i t p(i_t|i_1,i_2,\cdots,i_{t-1},\lambda)=p(i_t|i_{t-1})=a_{i_{t-1}i_t} p(it∣i1,i2,⋯,it−1,λ)=p(it∣it−1)=ait−1it
所以:
p ( I ∣ λ ) = π 1 ∏ t = 2 T a i t − 1 , i t p(I|\lambda)=\pi_1\prod\limits_{t=2}^Ta_{i_{t-1},i_t} p(I∣λ)=π1t=2∏Tait−1,it
又由于:
p ( O ∣ I , λ ) = ∏ t = 1 T b i t ( o t ) p(O|I,\lambda)=\prod\limits_{t=1}^Tb_{i_t}(o_t) p(O∣I,λ)=t=1∏Tbit(ot)
于是:
p ( O ∣ λ ) = ∑ I π i 1 ∏ t = 2 T a i t − 1 , i t ∏ t = 1 T b i t ( o t ) p(O|\lambda)=\sum\limits_{I}\pi_{i_1}\prod\limits_{t=2}^Ta_{i_{t-1},i_t}\prod\limits_{t=1}^Tb_{i_t}(o_t) p(O∣λ)=I∑πi1t=2∏Tait−1,itt=1∏Tbit(ot)
我们看到,上面的式子中的求和符号是对所有的观测变量求和,于是复杂度为 O ( N T ) O(N^T) O(NT)。
下面,记 α t ( i ) = p ( o 1 , o 2 , ⋯ , o t , i t = q i ∣ λ ) \alpha_t(i)=p(o_1,o_2,\cdots,o_t,i_t=q_i|\lambda) αt(i)=p(o1,o2,⋯,ot,it=qi∣λ),所以, α T ( i ) = p ( O , i T = q i ∣ λ ) \alpha_T(i)=p(O,i_T=q_i|\lambda) αT(i)=p(O,iT=qi∣λ)。我们看到:
p ( O ∣ λ ) = ∑ i = 1 N p ( O , i T = q i ∣ λ ) = ∑ i = 1 N α T ( i ) p(O|\lambda)=\sum\limits_{i=1}^Np(O,i_T=q_i|\lambda)=\sum\limits_{i=1}^N\alpha_T(i) p(O∣λ)=i=1∑Np(O,iT=qi∣λ)=i=1∑NαT(i)
对 α t + 1 ( j ) \alpha_{t+1}(j) αt+1(j):
α t + 1 ( j ) = p ( o 1 , o 2 , ⋯ , o t + 1 , i t + 1 = q j ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯ , o t + 1 , i t + 1 = q j , i t = q i ∣ λ ) = ∑ i = 1 N p ( o t + 1 ∣ o 1 , o 2 , ⋯ , i t + 1 = q j , i t = q i ∣ λ ) p ( o 1 , ⋯ , o t , i t = q i , i t + 1 = q j ∣ λ ) \begin{aligned}\alpha_{t+1}(j)&=p(o_1,o_2,\cdots,o_{t+1},i_{t+1}=q_j|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_{t+1},i_{t+1}=q_j,i_t=q_i|\lambda)\\ &=\sum\limits_{i=1}^Np(o_{t+1}|o_1,o_2,\cdots,i_{t+1}=q_j,i_t=q_i|\lambda)p(o_1,\cdots,o_t,i_t=q_i,i_{t+1}=q_j|\lambda) \end{aligned} αt+1(j)=p(o1,o2,⋯,ot+1,it+1=qj∣λ)=i=1∑Np(o1,o2,⋯,ot+1,it+1=qj,it=qi∣λ)=i=1∑Np(ot+1∣o1,o2,⋯,it+1=qj,it=qi∣λ)p(o1,⋯,ot,it=qi,it+1=qj∣λ)
利用观测独立假设:
α t + 1 ( j ) = ∑ i = 1 N p ( o t + 1 ∣ i t + 1 = q j ) p ( o 1 , ⋯ , o t , i t = q i , i t + 1 = q j ∣ λ ) = ∑ i = 1 N p ( o t + 1 ∣ i t + 1 = q j ) p ( i t + 1 = q j ∣ o 1 , ⋯ , o t , i t = q i , λ ) p ( o 1 , ⋯ , o t , i t = q i ∣ λ ) = ∑ i = 1 N b j ( o t ) a i j α t ( i ) \begin{aligned}\alpha_{t+1}(j)&=\sum\limits_{i=1}^Np(o_{t+1}|i_{t+1}=q_j)p(o_1,\cdots,o_t,i_t=q_i,i_{t+1}=q_j|\lambda)\\ &=\sum\limits_{i=1}^Np(o_{t+1}|i_{t+1}=q_j)p(i_{t+1}=q_j|o_1,\cdots,o_t,i_t=q_i,\lambda)p(o_1,\cdots,o_t,i_t=q_i|\lambda)\\ &=\sum\limits_{i=1}^Nb_{j}(o_t)a_{ij}\alpha_t(i) \end{aligned} αt+1(j)=i=1∑Np(ot+1∣it+1=qj)p(o1,⋯,ot,it=qi,it+1=qj∣λ)=i=1∑Np(ot+1∣it+1=qj)p(it+1=qj∣o1,⋯,ot,it=qi,λ)p(o1,⋯,ot,it=qi∣λ)=i=1∑Nbj(ot)aijαt(i)
上面利用了齐次 Markov 假设得到了一个递推公式,这个算法叫做前向算法。
还有一种算法叫做后向算法,定义 β t ( i ) = p ( o t + 1 , o t + 1 , ⋯ , o T ∣ i t = i , λ ) \beta_t(i)=p(o_{t+1},o_{t+1},\cdots,o_T|i_t=i,\lambda) βt(i)=p(ot+1,ot+1,⋯,oT∣it=i,λ):
p ( O ∣ λ ) = p ( o 1 , ⋯ , o T ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯ , o T , i 1 = q i ∣ λ ) = ∑ i = 1 N p ( o 1 , o 2 , ⋯ , o T ∣ i 1 = q i , λ ) π i = ∑ i = 1 N p ( o 1 ∣ o 2 , ⋯ , o T , i 1 = q i , λ ) p ( o 2 , ⋯ , o T ∣ i 1 = q i , λ ) π i = ∑ i = 1 N b i ( o 1 ) π i β 1 ( i ) \begin{aligned}p(O|\lambda)&=p(o_1,\cdots,o_T|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_T,i_1=q_i|\lambda)\\ &=\sum\limits_{i=1}^Np(o_1,o_2,\cdots,o_T|i_1=q_i,\lambda)\pi_i\\ &=\sum\limits_{i=1}^Np(o_1|o_2,\cdots,o_T,i_1=q_i,\lambda)p(o_2,\cdots,o_T|i_1=q_i,\lambda)\pi_i\\ &=\sum\limits_{i=1}^Nb_i(o_1)\pi_i\beta_1(i) \end{aligned} p(O∣λ)=p(o1,⋯,oT∣λ)=i=1∑Np(o1,o2,⋯,oT,i1=qi∣λ)=i=1∑Np(o1,o2,⋯,oT∣i1=qi,λ)πi=i=1∑Np(o1∣o2,⋯,oT,i1=qi,λ)p(o2,⋯,oT∣i1=qi,λ)πi=i=1∑Nbi(o1)πiβ1(i)
对于这个 β 1 ( i ) \beta_1(i) β1(i):
β t ( i ) = p ( o t + 1 , ⋯ , o T ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , o t + 2 , ⋯ , o T , i t + 1 = q j ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , ⋯ , o T ∣ i t + 1 = q j , i t = q i ) p ( i t + 1 = q j ∣ i t = q i ) = ∑ j = 1 N p ( o t + 1 , ⋯ , o T ∣ i t + 1 = q j ) a i j = ∑ j = 1 N p ( o t + 1 ∣ o t + 2 , ⋯ , o T , i t + 1 = q j ) p ( o t + 2 , ⋯ , o T ∣ i t + 1 = q j ) a i j = ∑ j = 1 N b j ( o t + 1 ) a i j β t + 1 ( j ) \begin{aligned}\beta_t(i)&=p(o_{t+1},\cdots,o_T|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},o_{t+2},\cdots,o_T,i_{t+1}=q_j|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},\cdots,o_T|i_{t+1}=q_j,i_t=q_i)p(i_{t+1}=q_j|i_t=q_i)\\ &=\sum\limits_{j=1}^Np(o_{t+1},\cdots,o_T|i_{t+1}=q_j)a_{ij}\\ &=\sum\limits_{j=1}^Np(o_{t+1}|o_{t+2},\cdots,o_T,i_{t+1}=q_j)p(o_{t+2},\cdots,o_T|i_{t+1}=q_j)a_{ij}\\ &=\sum\limits_{j=1}^Nb_j(o_{t+1})a_{ij}\beta_{t+1}(j) \end{aligned} βt(i)=p(ot+1,⋯,oT∣it=qi)=j=1∑Np(ot+1,ot+2,⋯,oT,it+1=qj∣it=qi)=j=1∑Np(ot+1,⋯,oT∣it+1=qj,it=qi)p(it+1=qj∣it=qi)=j=1∑Np(ot+1,⋯,oT∣it+1=qj)aij=j=1∑Np(ot+1∣ot+2,⋯,oT,it+1=qj)p(ot+2,⋯,oT∣it+1=qj)aij=j=1∑Nbj(ot+1)aijβt+1(j)
于是后向地得到了第一项。
为了学习得到参数的最优值,在 MLE 中:
λ M L E = a r g m a x λ p ( O ∣ λ ) \lambda_{MLE}=\mathop{argmax}_\lambda p(O|\lambda) λMLE=argmaxλp(O∣λ)
我们采用 EM 算法(在这里也叫 Baum Welch 算法),用上标表示迭代:
θ t + 1 = a r g m a x θ ∫ z log p ( X , Z ∣ θ ) p ( Z ∣ X , θ t ) d z \theta^{t+1}=\mathop{argmax}_{\theta}\int_z\log p(X,Z|\theta)p(Z|X,\theta^t)dz θt+1=argmaxθ∫zlogp(X,Z∣θ)p(Z∣X,θt)dz
其中, X X X 是观测变量, Z Z Z 是隐变量序列。于是:
λ t + 1 = a r g m a x λ ∑ I log p ( O , I ∣ λ ) p ( I ∣ O , λ t ) = a r g m a x λ ∑ I log p ( O , I ∣ λ ) p ( O , I ∣ λ t ) \lambda^{t+1}=\mathop{argmax}_\lambda\sum\limits_I\log p(O,I|\lambda)p(I|O,\lambda^t)\\ =\mathop{argmax}_\lambda\sum\limits_I\log p(O,I|\lambda)p(O,I|\lambda^t) λt+1=argmaxλI∑logp(O,I∣λ)p(I∣O,λt)=argmaxλI∑logp(O,I∣λ)p(O,I∣λt)
这里利用了 p ( O ∣ λ t ) p(O|\lambda^t) p(O∣λt) 和 λ \lambda λ 无关。将 Evaluation 中的式子代入:
∑ I log p ( O , I ∣ λ ) p ( O , I ∣ λ t ) = ∑ I [ log π i 1 + ∑ t = 2 T log a i t − 1 , i t + ∑ t = 1 T log b i t ( o t ) ] p ( O , I ∣ λ t ) \sum\limits_I\log p(O,I|\lambda)p(O,I|\lambda^t)=\sum\limits_I[\log \pi_{i_1}+\sum\limits_{t=2}^T\log a_{i_{t-1},i_t}+\sum\limits_{t=1}^T\log b_{i_t}(o_t)]p(O,I|\lambda^t) I∑logp(O,I∣λ)p(O,I∣λt)=I∑[logπi1+t=2∑Tlogait−1,it+t=1∑Tlogbit(ot)]p(O,I∣λt)
对 π t + 1 \pi^{t+1} πt+1:
π t + 1 = a r g m a x π ∑ I [ log π i 1 p ( O , I ∣ λ t ) ] = a r g m a x π ∑ I [ log π i 1 ⋅ p ( O , i 1 , i 2 , ⋯ , i T ∣ λ t ) ] \begin{aligned}\pi^{t+1}&=\mathop{argmax}_\pi\sum\limits_I[\log \pi_{i_1}p(O,I|\lambda^t)]\\ &=\mathop{argmax}_\pi\sum\limits_I[\log \pi_{i_1}\cdot p(O,i_1,i_2,\cdots,i_T|\lambda^t)] \end{aligned} πt+1=argmaxπI∑[logπi1p(O,I∣λt)]=argmaxπI∑[logπi1⋅p(O,i1,i2,⋯,iT∣λt)]
上面的式子中,对 i 2 , i 2 , ⋯ , i T i_2,i_2,\cdots,i_T i2,i2,⋯,iT 求和可以将这些参数消掉:
π t + 1 = a r g m a x π ∑ i 1 [ log π i 1 ⋅ p ( O , i 1 ∣ λ t ) ] \pi^{t+1}=\mathop{argmax}_\pi\sum\limits_{i_1}[\log \pi_{i_1}\cdot p(O,i_1|\lambda^t)] πt+1=argmaxπi1∑[logπi1⋅p(O,i1∣λt)]
上面的式子还有对 π \pi π 的约束 ∑ i π i = 1 \sum\limits_i\pi_i=1 i∑πi=1。定义 Lagrange 函数:
L ( π , η ) = ∑ i = 1 N log π i ⋅ p ( O , i 1 = q i ∣ λ t ) + η ( ∑ i = 1 N π i − 1 ) L(\pi,\eta)=\sum\limits_{i=1}^N\log \pi_i\cdot p(O,i_1=q_i|\lambda^t)+\eta(\sum\limits_{i=1}^N\pi_i-1) L(π,η)=i=1∑Nlogπi⋅p(O,i1=qi∣λt)+η(i=1∑Nπi−1)
于是:
∂ L ∂ π i = 1 π i p ( O , i 1 = q i ∣ λ t ) + η = 0 \frac{\partial L}{\partial\pi_i}=\frac{1}{\pi_i}p(O,i_1=q_i|\lambda^t)+\eta=0 ∂πi∂L=πi1p(O,i1=qi∣λt)+η=0
对上式求和:
∑ i = 1 N p ( O , i 1 = q i ∣ λ t ) + π i η = 0 ⇒ η = − p ( O ∣ λ t ) \sum\limits_{i=1}^Np(O,i_1=q_i|\lambda^t)+\pi_i\eta=0\Rightarrow\eta=-p(O|\lambda^t) i=1∑Np(O,i1=qi∣λt)+πiη=0⇒η=−p(O∣λt)
所以:
π i t + 1 = p ( O , i 1 = q i ∣ λ t ) p ( O ∣ λ t ) \pi_i^{t+1}=\frac{p(O,i_1=q_i|\lambda^t)}{p(O|\lambda^t)} πit+1=p(O∣λt)p(O,i1=qi∣λt)
Decoding 问题表述为:
I = a r g m a x I p ( I ∣ O , λ ) I=\mathop{argmax}\limits_{I}p(I|O,\lambda) I=Iargmaxp(I∣O,λ)
我们需要找到一个序列,其概率最大,这个序列就是在参数空间中的一个路径,可以采用动态规划的思想。
定义:
δ t ( j ) = max i 1 , ⋯ , i t − 1 p ( o 1 , ⋯ , o t , i 1 , ⋯ , i t − 1 , i t = q i ) \delta_{t}(j)=\max\limits_{i_1,\cdots,i_{t-1}}p(o_1,\cdots,o_t,i_1,\cdots,i_{t-1},i_t=q_i) δt(j)=i1,⋯,it−1maxp(o1,⋯,ot,i1,⋯,it−1,it=qi)
于是:
δ t + 1 ( j ) = max 1 ≤ i ≤ N δ t ( i ) a i j b j ( o t + 1 ) \delta_{t+1}(j)=\max\limits_{1\le i\le N}\delta_t(i)a_{ij}b_j(o_{t+1}) δt+1(j)=1≤i≤Nmaxδt(i)aijbj(ot+1)
这个式子就是从上一步到下一步的概率再求最大值。记这个路径为:
ψ t + 1 ( j ) = a r g m a x 1 ≤ i ≤ N δ t ( i ) a i j \psi_{t+1}(j)=\mathop{argmax}\limits_{1\le i\le N}\delta_t(i)a_{ij} ψt+1(j)=1≤i≤Nargmaxδt(i)aij
hmmlearn中有三种隐马尔可夫模型:GaussianHMM、GMMHMM、MultinomialHMM。它们分别代表了观测序列的不同分布类型。
适合用于可见层状态是连续类型且假设输出概率符合Gaussian分布的情况
class hmmlearn.hmm.GaussianHMM(n_components=1, covariance_type='diag',min_covar=0.001,
startprob_prior=1.0, transmat_prior=1.0, means_prior=0,
means_weight=0,covars_prior=0.01,covars_weight=1,
algorithm='viterbi',random_state=None, n_iter=10, tol=0.01,
verbose=False, params='stmc', init_params='stmc')
参数:
n_components:整数,指定了隐藏层结点的状态数量。
covariance_type:字符串,输出概率的协方差矩阵类型。可选值:
min_covar:浮点数,协方差矩阵中对角线上的最小数值,该值设置得越小模型对数据的拟合就越好,但更容易出现过度拟合。
startprob_prior:数组,形状为(n_components, )。初始状态的先验概率分布。
transmat_prior:数组,形状为(n_components, n_components )。先验的状态转移矩阵。
means_prior,means_weight:先验隐藏层均值矩阵。
covars_prior、covars_weight:先验隐藏层协方差矩阵
algorithm:字符串,指定了Decoder算法。可以为 ‘viterbi’(维特比算法)或者’map’,map比viterbi更快速但非全局最优解。
random_state:随机种子,用于在Baum-Welch算法中初始化模型参数。
n_iter:Baum-Welch算法最大迭代次数。该值越大,训练模型对数据的拟合度越高,但训练耗时越长。
tol:指定迭代收敛阈值。该值越小(必须>=0),训练模型对数据的拟合度越高,但训练耗时越长。
verbose:是否打印Baum-Welch每次迭代的调试信息
params:字符串,在训练过程中更新哪些HMM参数。可以是四个字母中的任意几个组成的字符串。
init_params:字符串,在训练开始之前使用哪些已有概率矩阵初始化模型。
属性:
n_features:整数,特征维度。
monitor_:ConvergenceMonitor对象,可用它检查EM算法的收敛性。
transmat_:矩阵,形状为 (n_components, n_components),是状态之间的转移概率矩阵。
startprob_:数组,形状为(n_components, ),是初始状态的概率分布。
means_:一个数组,形状为(n_components,n_features ),每个状态的均值参数。
covars_:数组,每个状态的方差参数,其形状取决于方差类型:
方法:
decode(X, lengths=None, algorithm=None):已知观测序列X寻找最可能的状态序列。
参数:
返回值:
fit(X, lengths=None):根据观测序列 X,来训练模型参数。
在训练之前会执行初始化的步骤。如果你想避开这一步,那么可以在构造函数中通过提供init_params关键字参数来避免。
参数:X,lengths 参考 decode() 方法。
返回值:self对象。
predict(X, lengths=None):已知观测序列X,寻找最可能的状态序列。
参数:X,lengths 参考 decode() 方法。
返回值:数组,形状为(n_samples, ),代表状态序列。
predict_proba(X, lengths=None):计算每个状态的后验概率。
参数:X,lengths 参考 decode() 方法。
返回值:数组,代表每个状态的后验概率。
sample(n_samples=1, random_state=None):从当前模型中生成随机样本。
参数:
返回值:
score(X, lengths=None):计算预测结果的对数似然函数。
参数:X,lengths 参考 decode() 方法。
返回值:预测结果的对数似然函数。
混合高斯分布的隐马尔可夫模型,适合用于隐藏层状态是连续类型且假设输出概率符合GMM 分布(Gaussian Mixture Model,混合高斯分布)的情况
原型
hmmlearn.hmm.GMMHMM(n_components=1,n_mix=1,startprob_prior=1.0,transmat_prior=1.0,
covariance_type='diag', covars_prior=0.01, algorithm='viterbi',
random_state=None,n_iter=10,tol=0.01, verbose=False,
params='stmcw',init_params='stmcw')
大部分参数与GaussianHMM中的含义一样,不再重复说明,不同点有如下两个:
属性:
方法:参考hmmlearn.hmm.GaussianHMM 。
多项式分布的隐马尔可夫模型,适合用于可见层状态是离散类型的情况。
原型为:
class hmmlearn.hmm.MultinomialHMM(n_components=1, startprob_prior=1.0, transmat_prior=1.0,
algorithm='viterbi', random_state=None, n_iter=10,tol=0.01,
verbose=False, params='ste', init_params='ste')
参数:整数,参考hmmlearn.hmm.GaussianHMM。
属性:
方法:参考hmmlearn.hmm.GaussianHMM 。
# MultinomialHMM案例
import numpy as np
from hmmlearn import hmm
# 发射概率
emission_probability = np.array([
[0.4,0.3,0.3], # 晴:打球,读书,访友
[0.2,0.3,0.5], # 阴:打球,读书,访友
[0.1,0.8,0.1] # 雨:打球,读书,访友
])
# 转移概率
transition_probability = np.array([
[0.7,0.2,0.1],# 晴 阴 雨
[0.3,0.5,0.2],# 阴
[0.3,0.4,0.3] # 雨
])
# 定义隐藏层各状态的初始概率 晴、阴、雨
start_probability = np.array([0.5,0.3,0.2])
# 建模
model = hmm.MultinomialHMM(n_components=3) # 3种可见层状态
model.startprob_ = start_probability
model.transmat_ = transition_probability
model.emissionprob_ = emission_probability
# 0为打球,1为读书,2为访友
observe_chain = np.array([0,2,1,1,1,1,1,1,2,2,2,2,2,2,2,2,1,0]).reshape(-1,1)
# 0为晴,1为阴,2为雨
model.predict(observe_chain)
array([0, 0, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0])
本案例从雅虎金融网站获取真实的历史交易数据,训练并分析历史走势,尝试寻找出历史走势规律以预测未来。
下面通过用HMM模型来预测走势规律
HMM 时间轴:由于数据模型是日交易信息,所以本模型的时间轴以日为单位,即每一天是一个HMM状态结点。
可见层特征:选取数据文件中的两个重要数据作为可见层特征,即收盘涨跌值、交易量。因为这些属性为连续值,所以选用Gaussian模型。收盘涨跌值特征并未在数据模型中直接体现,它要通过计算前后两天收盘价的差值获得
隐藏层状态:定义三种状态,对应于涨、平、跌。
预测方式:通过查看隐藏层转换矩阵的转换概率,根据最后一个结点的隐藏状态预测未来一天的涨跌可能。
隐藏层的涨跌状态只受当天及之前表示层特征的影响,所以其本身并不能决定下一天的走势。而要预测下一天的隐藏层状态,需要结合转换概率矩阵进行分析。
from datetime import datetime
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.dates import DayLocator
from hmmlearn.hmm import GaussianHMM
import warnings
warnings.filterwarnings("ignore")
%matplotlib inline
data = pd.read_csv("./sample_stock.csv")
print(data.shape)
data.head()
(1258, 7)
Date | Open | High | Low | Close | Adj Close | Volume | |
---|---|---|---|---|---|---|---|
0 | 21/09/2012 | 9.85 | 10.09 | 9.80 | 9.82 | 9.528357 | 66200 |
1 | 24/09/2012 | 9.83 | 10.07 | 9.61 | 9.90 | 9.605980 | 44500 |
2 | 25/09/2012 | 9.93 | 9.99 | 9.57 | 9.58 | 9.295483 | 54400 |
3 | 26/09/2012 | 9.63 | 9.72 | 9.55 | 9.59 | 9.305186 | 29100 |
4 | 27/09/2012 | 9.60 | 9.71 | 9.44 | 9.57 | 9.285780 | 55300 |
原始数据是以日为单位的某股票基础交易数据,各属性列表示:
# 日期格式转换
data['Date'] = pd.to_datetime(data['Date'], format = "%d/%m/%Y", errors = 'coerce')
data.info()
data.head()
RangeIndex: 1258 entries, 0 to 1257
Data columns (total 7 columns):
Date 1258 non-null datetime64[ns]
Open 1258 non-null float64
High 1258 non-null float64
Low 1258 non-null float64
Close 1258 non-null float64
Adj Close 1258 non-null float64
Volume 1258 non-null int64
dtypes: datetime64[ns](1), float64(5), int64(1)
memory usage: 68.9 KB
Date | Open | High | Low | Close | Adj Close | Volume | |
---|---|---|---|---|---|---|---|
0 | 2012-09-21 | 9.85 | 10.09 | 9.80 | 9.82 | 9.528357 | 66200 |
1 | 2012-09-24 | 9.83 | 10.07 | 9.61 | 9.90 | 9.605980 | 44500 |
2 | 2012-09-25 | 9.93 | 9.99 | 9.57 | 9.58 | 9.295483 | 54400 |
3 | 2012-09-26 | 9.63 | 9.72 | 9.55 | 9.59 | 9.305186 | 29100 |
4 | 2012-09-27 | 9.60 | 9.71 | 9.44 | 9.57 | 9.285780 | 55300 |
日期和交易量去除第一天的数据,因为第一天会被用来计算第二天的涨跌值特征,所以马尔可夫链实际是从第二天开始训练的。
dates = data['Date'].values[1:]
close_v = data['Close'].values
volume = data['Volume'].values[1:]
# 计算数组中前后两个值差额
diff = np.diff(close_v)
close_v = close_v[1:]
X = np.column_stack([diff,volume])
X.shape
(1257, 2)
model = GaussianHMM(n_components=3, covariance_type="diag",n_iter=1000)
model.fit(X)
GaussianHMM(algorithm='viterbi', covariance_type='diag', covars_prior=0.01,
covars_weight=1, init_params='stmc', means_prior=0, means_weight=0,
min_covar=0.001, n_components=3, n_iter=1000, params='stmc',
random_state=None, startprob_prior=1.0, tol=0.01, transmat_prior=1.0,
verbose=False)
print("Means and vars of each hidden state")
means_ = []
vars_ = []
for i in range(model.n_components):
means_.append(model.means_[i][0])
vars_.append(np.diag(model.covars_[i])[0])
print("第{0}号隐藏状态".format(i))
print("mean = ", model.means_[i])
print("var = ", np.diag(model.covars_[i]))
print()
Means and vars of each hidden state
第0号隐藏状态
mean = [-6.63217241e-03 5.88893426e+04]
var = [4.84610308e-02 4.85498280e+08]
第1号隐藏状态
mean = [-7.25238348e-02 4.22133974e+05]
var = [1.10870852e+00 1.09613199e+11]
第2号隐藏状态
mean = [4.41582696e-02 1.42342273e+05]
var = [1.42504830e-01 3.27804399e+09]
因为可见层输入采用了两个输入特征(涨跌幅、成交量),所以每个结点有两个元素,分别代表该状态的涨跌幅均值、成交量均值。
由于系统的目标预测涨跌幅,所以这里只关心第一个特征的均值,有如下结论:
由涨跌幅特征的方差,可以得到的信息为:
print("Transition matrix")
print(model.transmat_)
Transition matrix
[[0.82001546 0.01739021 0.16259432]
[0.03793618 0.22931597 0.73274785]
[0.23556112 0.04332874 0.72111014]]
根据以上转换概率,可以看出该股票的长线态势是非常看好的。
X = X[-26:]
dates = dates[-26:]
close_v = close_v[-26:]
hidden_states = model.predict(X)
hidden_states
array([0, 0, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2, 0, 0, 0, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2])
means_
[-0.0066321724101791124, -0.07252383481713848, 0.04415826960924146]
vars_
[0.048461030777300955, 1.1087085156555492, 0.14250482994747]
model.transmat_
array([[0.82001546, 0.01739021, 0.16259432],
[0.03793618, 0.22931597, 0.73274785],
[0.23556112, 0.04332874, 0.72111014]])
# 计算当前状态后一天的预测均值
predict_means = []
predict_vars = []
for idx, hid in enumerate(range(model.n_components)):
comp = np.argmax(model.transmat_[idx]) # 最可能的第二天状态
predict_means.append(means_[comp])
predict_vars.append(vars_[comp])
print('predict_means',predict_means)
print('predict_vars',predict_vars)
predict_means [-0.0066321724101791124, 0.04415826960924146, 0.04415826960924146]
predict_vars [0.048461030777300955, 0.14250482994747, 0.14250482994747]
# 画图
fig, axs = plt.subplots(model.n_components + 1, sharex=True, sharey=True,figsize=(10,10))
for i, ax in enumerate(axs[:-1]):
ax.set_title("{0}th hidden state".format(i))
# Use fancy indexing to plot data in each state.
mask = hidden_states == i
yesterday_mask = np.concatenate(([False], mask[:-1]))
if len(dates[mask]) <= 0:
continue
if predict_means[i] > 0.01:
# 上涨预测
ax.plot_date(dates[mask], close_v[mask], "^", c="#FF0000")
elif predict_means[i] < -0.01:
# 下跌预测
ax.plot_date(dates[mask], close_v[mask], "v", c="#00FF00")
else:
# 平
ax.plot_date(dates[mask], close_v[mask], "+", c="#000000")
# locate specified days of the day
ax.xaxis.set_minor_locator(DayLocator())
ax.grid(True)
ax.legend(["Mean: %0.3f\nvar: %0.3f" % (predict_means[i], predict_vars[i])],
loc='center left',
bbox_to_anchor=(1, 0.5))
# 打印真实走势,用作对比
axs[-1].plot_date(dates, close_v, "-", c='#000000')
axs[-1].grid(True)
box = axs[-1].get_position()
axs[-1].set_position([box.x0, box.y0, box.width * 0.8, box.height])
ax.xaxis.set_minor_locator(DayLocator())
# 调整格式
fig.autofmt_xdate()
plt.subplots_adjust(left=None, bottom=None, right=0.75, top=None,
wspace=None, hspace=0.43)
plt.show()
由图可知,这个月中大部分隐藏状态是“平”或者“涨”,其中“涨”的数量更多,由最下方真实走势图可见当月结果确实为上涨。最后一天的结点落在了“2th hidden state”中,其预测状态为上涨(均值为0.044,方差为0.143)。