Cara Memprediksi Harga Saham Menggunakan SVM

Pembelajaran Mesin adalah aplikasi Kecerdasan Buatan yang meningkatkan cara dunia bekerja di setiap domain. Pada intinya, ini adalah algoritma atau model yang mengamati pola dalam kumpulan data yang diberikan dan kemudian memprediksi pola yang dipelajari pada data umum. Dalam istilah awam, ini adalah gagasan bahwa engine mempelajari suatu pola dan beradaptasi melalui pengalaman untuk membuat keputusan yang akurat dan berulang. Support Vector Machine adalah algoritma ML populer yang akan kita gunakan hari ini untuk memprediksi harga saham. Ada beberapa keuntungan dari model ini, yang akan kita bahas dan telusuri implementasi pendekatannya.

Apa itu Hyperplane?

Sebuah hyperplane dalam ruang n-dimensi adalah (n-1)-dimensi subruang; jika ruang adalah 3 dimensi, maka hyperplanenya adalah bidang 2 dimensi. Sebuah ruang n-dimensi selalu direntang oleh himpunan n vektor bebas linier, dan selalu mungkin untuk menemukan n vektor ortogonal yang merentang ruang tersebut. Itu mungkin atau mungkin tidak dalam definisi ruang vektor berdimensi hingga, tetapi itu adalah fakta yang buktinya dapat ditemukan di hampir semua buku teks aljabar linier sarjana.

Akibatnya, sebuah hyperplane di ruang-n direntang oleh n-1 vektor bebas linier dan memiliki vektor ke-n (tidak dalam bidang) ortogonal terhadapnya.

Apa itu Mesin Vektor Pendukung?

Support Vector Machine (SVM) adalah algoritma klasifikasi biner pembelajaran engine yang diawasi. Diberikan satu set dua jenis titik dalam dimensi N, SVM menghasilkan hyperplane dimensi (N-1) untuk membagi titik-titik tersebut menjadi dua kelompok seperti yang ditunjukkan di bawah ini:

Pada gambar di atas, SVM akan memilih garis merah sebagai hyperplane terbaik yang memisahkan kelas biru dan hijau.

Misalkan Anda memiliki dua jenis titik pada bidang yang dapat dipisahkan secara linier. SVM akan menemukan garis lurus yang membagi titik-titik tersebut menjadi dua jenis dan berjarak sejauh mungkin dari semuanya. Garis ini dikenal sebagai hyperplane, dan dipilih agar outlier tidak diabaikan, dan titik-titik dari kelas yang berbeda terpisah sejauh mungkin. Jika titik tidak dapat dipisahkan, SVM menggunakan transformasi kernel untuk meningkatkan dimensi titik.

Kasus yang dibahas di atas cukup mudah karena datanya dapat dipisahkan secara linier — seperti yang kita lihat, kita dapat menggambar garis lurus untuk memisahkan jenis titik merah dan biru.

Bagaimana jika data tidak dapat dipisahkan secara linier? Kami tidak akan dapat memisahkan kelas dengan menggambar hyperplane lurus. Untuk mengatasi tantangan ini, kita akan menambahkan dimensi ketiga ke dataset. Kami memiliki dua dimensi sampai sekarang: x dan y. Kami menciptakan dimensi dan mandat baru yang dihitung dengan cara yang nyaman bagi kami:z = x2 + y2.

Ini akan membuat ruang tiga dimensi dari titik sebelumnya. Kita dapat menyimpulkan dari gambar di bawah ini bahwa pada awalnya, titik-titik tidak dapat dipisahkan secara linier, tetapi setelah menerapkan fungsi kernel, kita dengan mudah memisahkan titik-titik data. Ada banyak fungsi kernel yang tersedia yang dapat Anda pilih sesuai dengan kasus useran Anda.

Keuntungan dari SVM

1. Baik untuk data yang jumlah dimensinya lebih banyak daripada jumlah titik datanya.
2. Baik untuk klasifikasi dan regresi.
3. Ini adalah ruang yang dioptimalkan.
4. Ini menangani outlier.

Kekurangan SVM

1. Sulit untuk memilih fungsi kernel yang “baik”.
2. Kumpulan data yang besar membutuhkan waktu pelatihan yang lama.
3. Model terakhir sulit untuk dipahami dan diinterpretasikan, dengan bobot variabel dan dampak individu.
4. Kami tidak dapat melakukan kalibrasi kecil pada model karena model akhir tidak mudah terlihat, sehingga sulit untuk menggabungkan logika bisnis kami.

Prediksi Arah Harga Saham Menggunakan SVM

Prediksi pasar saham dibuat dengan memprediksi nilai masa depan dari saham perusahaan atau instrumen keuangan lain yang diperdagangkan di bursa menggunakan analisis fundamental atau teknikal.

Manfaat dari prediksi pasar saham adalah memungkinkan Anda untuk berinvestasi dengan bijak dan menguntungkan.

from sklearn.svm import SVC
 
 from sklearn.metrics import accuracy_score
 
 import pandas as pd
 
 import numpy as np

# Reading the CSV file from external storage
 
 df = pd.read_csv('RELIANCE.csv')

# Making date as index column
 
 df.index = pd.to_datetime(df['Date'])
 
 # drop the column named “Date”
 
 df = df.drop(['Date'], axis='columns')

# Create predictor variables
 
 df['Open-Close'] = df.Open - df.Close
 
 df['High-Low'] = df.High - df.Low
 
 # Store all predictor variables in a variable X
 
 X = df[['Open-Close', 'High-Low']]
 
 print(X.head())

# Target variables
 
 y = np.where(df['Close'].shift(-1) > df['Close'], 1, 0)
 
 print(y)

split = int(0.9*len(df))
 
 # Train data set
 
 X_train = X[:split]
 
 y_train = y[:split]
 
 # Test data set
 
 X_test = X[split:]
 
 y_test = y[split:]

# Support vector classifier
 
 model = SVC().fit(X_train, y_train)

df['sig'] = model.predict(X)