Adhith14/machine-learning-model-analysis

# 金融时间序列的市场状态检测 本项目探讨了如何检测 **市场状态**（不同的市场条件），并将其用于改进金融时间序列预测模型。目标是结合传统机器学习模型与状态检测技术，以更好地理解市场行为。 ## 项目概述 金融市场在不同条件下（例如高波动性、低波动性或过渡时期）往往表现出不同的行为。这些通常被称为 **市场状态**。 在本项目中： - 一个基准 **Random Forest 模型** 利用滞后和滚动统计特征来预测未来收益。 - **Clustering 方法** 被用于基于对数收益和波动性检测市场状态。 - 检测到的状态作为一个附加特征被加入，以提升预测性能。 ## 使用的方法 ### 特征工程 该模型使用： - 滞后对数收益 - 收益的滚动均值 - 滚动标准差（波动性） 这些特征有助于捕捉短期市场动态。 ### 状态检测 探索了两种聚类方法： - **K-Means Clustering** - **Gaussian Mixture Models (GMM)** 这些状态代表了不同的市场状况，例如低、中和高波动性。 ### 降维（探索性分析） **Principal Component Analysis (PCA)** 在 notebook 中用于在缩减后的特征空间中可视化状态聚类。 ## 模型 预测模型使用以下方法实现： - **Random Forest Regressor** - 将状态标签作为附加特征加入 该模型预测 ETF 代码的 **未来对数收益**。 ## 数据集 该数据集包含多个板块的历史 ETF 价格数据，包括： - XLK – 科技 - XLF – 金融 - XLE – 能源 - XLP – 必需消费品 - XLV – 医疗保健 - XLI – 工业 ## 评估指标 模型性能使用以下指标进行评估： - **MAE (Mean Absolute Error)** - **RMSE (Root Mean Squared Error)** - **Directional Accuracy** 这些指标有助于衡量预测误差以及正确预测价格变动方向的能力。 ## 结果 基于状态的模型表现出与基准模型相似的性能，这表明状态信号有助于解释市场行为，但可能不会显著改善短期预测。 然而，聚类分析揭示了清晰的市场状态，可以使用 PCA 进行可视化。 ## 技术栈 - Python - NumPy - Pandas - Scikit-learn - Matplotlib

标签：Apex, ETF投资, K-Means, Python, 主成分分析, 市场状态识别, 收益率预测, 无后门, 无监督学习, 时间序列分析, 机器学习, 波动率分析, 滚动统计, 特征工程, 聚类算法, 逆向工具, 量化交易, 金融数据分析, 金融科技, 降维, 随机森林, 高斯混合模型