用贝叶斯判别分析方法预测股票涨跌

作者：依然很拉风

原文:数据人网 http://shujuren.org/article/164.html

判别分析也是一种分类器，与逻辑回归相比，它具有以下优势：

当类别的区分度高的时候，逻辑回归的参数估计不够稳定，它点在线性判别分析中是不存在的；
如果样本量n比较小，而且在每一类响应变量中预测变量X近似服从正态分布，那么线性判别分析比逻辑回归更稳定；
多于两类的分类问题时，线性判别分析更普遍。

贝叶斯分类器

贝叶斯分类的基本思想是：对于多分类（大于等于2类）的问题，计算在已知条件下各类别的条件概率，取条件概率最大的那一类作为分类结果。用公式描述如下：

其中，$pi_{k}$是第k类的先验概率，$f_k(x)$是第k类的概率密度（当然如果是离散型变量就是条件概率，本文考虑连续型变量）。这个公式就是贝叶斯定理。

线性判别分析（Linear Discriminant Analysis, LDA）

1、一元线性判别分析

假设特征变量满足正态分布，即：

线性判别分析有一个重要假设：假设所有K类的划分方差相同，即$delta_1^2$=$delta_2^2$=……=$delta_K^2$。根据贝叶斯定理有：

对分子取对数转换，可见$p_k(x)$最大等价于下式最大：

（这里十分诚意地附上推导过程，没兴趣的可以直接跳过：）

所以只要找到令上式最大的k值即可。从上式可看出，一共有$mu$、$delta^2$、$pi$这三种参数需要估计拟合。先验概率$pi_k$可以根据业务知识进行预先估计，如果不行也可以直接以样本中第k类的样本在所有类的总样本中的比例当作先验概率，即

至于期望和方差，直接根据各类的观测值计算即可：

从上上式（我就不编号）可看出，$delta_k(x)$是$x$的线性函数，这也是LDA名为“线性”的原因。

2、多元线性判别分析

多元LDA由于涉及到多个特征变量，因此用协方差矩阵来代替一维方差（协方差矩阵的概念可参考延伸阅读文献3）。这里直接给结论，线性模型就变成：

除了方差变成协方差矩阵，$x$和$mu$也变成了向量。注意这里的$x$还是一次，仍然是线性模型。

二次判别分析（Quadratic Discriminant Analysis, QDA）

在LDA中假设所有的K类方差（或协方差矩阵）都相同，但这个假设有些严苛，如果放宽这个假设，允许每一类的观测都各自服从一个正态分布，协方差矩阵可以不同，LDA就变成了QDA。这里依然直接给公式：

可见$delta_k(x)$是$x$的二次函数，故名“二次判别分析”。

QDA与LDA的关系类似于多项式回归与线性回归的关系，本质上仍是偏差和方差的权衡，这也是Machine Learning领域的一个核心问题。QDA比LDA光滑，偏差更小，但方差更大。那么它们的适用条件呢？

一般而言，如果训练观测数据量相对较少，LDA是一个比QDA更好的决策，降低模型的方差很有必要。相反地，如果训练集非常大，则更倾向于使用QDA，这时分类器的方差不再是一个主要关心的问题，或者说K类的协方差矩阵相同的假设是站不住脚的。

实战：用LDA(QDA)再次预测股票涨跌

这里为了方(tou)便(lan)，依然使用延伸阅读文献4里的数据集，即ISLR包里的Smarket数据集。用不同方法做同样的事，其实也方便将不同方法进行对比。

> library(ISLR)> library(MASS)> attach(Smarket)> lda.fit=lda(Direction~Lag1+Lag2,data=Smarket, subset=Year<2005)> lda.fitCall:lda(Direction ~ Lag1 + Lag2, data = Smarket, subset = Year <     2005)Prior probabilities of groups:    Down       Up 0.491984 0.508016 Group means:            Lag1        Lag2Down  0.04279022  0.03389409Up   -0.03954635 -0.03132544Coefficients of linear discriminants:            LD1Lag1 -0.6420190Lag2 -0.5135293

Prior probabilities of groups是先验概率，实际上就是各类别在训练集中的比例：

> table(Smarket[Year<2005,9])/nrow(Smarket[Year<2005,])    Down       Up 0.491984 0.508016

Group means是对每类每个变量计算平均，用来估计参数$mu$。通过Group means矩阵可看出：当股票下跌时，前两天的投资回报率会趋向于正；当股票上涨时，前两天的投资回报率会趋向于负。Coefficients of linear discriminants则是线性模型的系数，说明当$-0.642Lag1-0.514Lag2$很大时，LDA分类器预测上涨；$-0.642Lag1-0.514Lag2$很小时，LDA分类器预测下跌。

> plot(lda.fit)

上面的图是对LDA模型的可视化，实际上它是训练集的$-0.642Lag1-0.514Lag2$分别在Down类和Up类的直方图。下面验证比较一下：

library(dplyr)Lag1_1 <- Smarket %>% filter(Year<"2005", Direction=="Down") %>% select(Lag1)Lag2_1 <- Smarket %>% filter(Year<"2005", Direction=="Down") %>% select(Lag2) Lag1_2 <- Smarket %>% filter(Year<"2005", Direction=="Up") %>% select(Lag1) Lag2_2 <- Smarket %>% filter(Year<"2005", Direction=="Up") %>% select(Lag2) lm_1 <- (-0.6420190*Lag1_1-0.5135293*Lag2_1)[,1]lm_2 <- (-0.6420190*Lag1_2-0.5135293*Lag2_2)[,1]par(mfrow=c(2,1))hist(lm_1,breaks=16,freq = F,col="lightblue")hist(lm_2,breaks=16,freq = F,col="lightblue")

可见直方图形状完全一致。

以上在训练集中对LDA模型的训练过程。下面在测试集中验证LDA模型。

> Smarket.2005=subset(Smarket,Year==2005)> lda.pred=predict(lda.fit,Smarket.2005)> class(lda.pred)[1] "list"> names(lda.pred)[1] "class"     "posterior" "x"        > data.frame(lda.pred)[1:5,]     class posterior.Down posterior.Up         LD1999     Up      0.4901792    0.5098208  0.082930961000    Up      0.4792185    0.5207815  0.591141021001    Up      0.4668185    0.5331815  1.167230631002    Up      0.4740011    0.5259989  0.833350221003    Up      0.4927877    0.5072123 -0.03792892> table(lda.pred$class,Smarket.2005$Direction)       Down  Up  Down   35  35  Up     76 106> mean(lda.pred$class==Smarket.2005$Direction)[1] 0.5595238

比较一下上一篇逻辑回归（延伸阅读文献4）中的结果：

> glm.fit=glm(Direction~Lag1+Lag2,data=Smarket,family=binomial, subset=train)> glm.probs=predict(glm.fit,newdata=Smarket[!train,],type="response") > glm.pred=ifelse(glm.probs >0.5,"Up","Down")> table(glm.pred,Direction.2005)        Direction.2005glm.pred Down  Up    Down   35  35    Up     76 106> mean(glm.pred==Direction.2005)[1] 0.5595238

LDA的结果与逻辑回归完全一致！以一个数据分析狮敏锐的第六感，我们可以大胆猜测：LDA与逻辑回归这两种算法可能有某种内在联系!

这里不做严谨的推导（深层的推导可参考延伸阅读文献6），只作一个简单的验证比较。为了简单起见，只考虑二分类问题，多分类问题可同理类推。 <br>log(frac{p_1(x)}{1-p_1(x)})=log(frac{p_1(x)}{p_2(x)})=log(p_1(x))-log(p_2(x))=x*frac{mu_1-mu_2}{sigma^2}-frac{mu_1^2-mu_2^2}{2sigma^2}+log(frac{pi_1}{pi_2})<br><br>log(1−p1(x)p1(x))=log(p2(x)p1(x))=log(p1(x))−log(p2(x))=x∗σ2μ1−μ2−2σ2μ12−μ22+log(π2π1)<br> 可见这仍是关于x的线性函数，与逻辑回归形式一致！虽然形式一致，但逻辑回归的参数是通过极大似然法估计出来的，LDA的参数是概率密度函数计算出来的。

由于LDA与逻辑回归形只是拟合过程不同，因此二者所得的结果应该是接近的。事实上，这一情况经常发生，但并非必然。LDA假设观测服从每一类的协方差矩阵都相同的正态分布，当这一假设近似成立时，LDA效果比逻辑回归好；相反，若这个假设不成立，则逻辑回归效果比LDA好。

下面练习QDA：

> qda.fit=qda(Direction~Lag1+Lag2,data=Smarket,subset=train)> qda.fitCall:qda(Direction ~ Lag1 + Lag2, data = Smarket, subset = train)Prior probabilities of groups:    Down       Up 0.491984 0.508016 Group means:            Lag1        Lag2Down  0.04279022  0.03389409Up   -0.03954635 -0.03132544> qda.class=predict(qda.fit,Smarket.2005)$class> table(qda.class,Direction.2005)         Direction.2005qda.class Down  Up     Down   30  20     Up     81 121> mean(qda.class==Direction.2005)[1] 0.5992063

可见QDA的准确率稍高于LDA。