Shanghai Composite Index Up and Down Forecast

The purpose of the experiment:
Based on the historical data given 150 days before the current time, predict the rise and fall of the Shanghai Stock Exchange Index that day.

Use code to process the above data into the following format

import pandas as pd
import numpy as np
from sklearn import svm
from sklearn import model_selection # sklearn下cross_validation：交叉验证

#parse_dates=第0列解析为日期， index_col= 用作行索引的列编号）
data =pd.read_csv('F:/python数据/test3.csv',encoding='gbk',parse_dates=[0],index_col=0)
#DataFrame.sort_index(axis=0 (按0列排), ascending=True（升序）,
#inplace=False（排序后是否覆盖原数据））data 按照时间升序排列
data.sort_index(0,ascending=True,inplace=True)
data.to_csv("data.csv") #你可以看一下排序后的数据

#选取5列数据作为特征：收盘价 最高价 最低价 开盘价 成交量
 
dayfeature=150  #dayfeature：选取150天的数据
featurenum =5*dayfeature #featurenum：选取的选取的5个特征*天数

'''
#data.shape[0]-dayfeature意思是：
因为我们要用150天数据做训练，对于条目为200条的数据，只有50条数据是有前150天的数据来训练的，
所以测试集的大小就是200-150， 对于每一条数据，他的特征是前150天的所有特征数据，
即150*5， +1是将当天的开盘价引入作为一条特征数据
'''
x=np.zeros((data.shape[0]-dayfeature,featurenum+1)) #x：记录150天的5个特征值
y=np.zeros((data.shape[0]-dayfeature)) #y：记录涨或者跌


for i in range(0,data.shape[0]-dayfeature):
    #/将数据中的“收盘价”“最高价”“开盘价”“成交量”存入x数组中
    #u:unicode编码 reshape:转换成1行，featurenum列
    x[i,0:featurenum]=np.array(data[i:i+dayfeature]\
                               [[u'收盘价',u'最高价',
    u'最低价',u'开盘价',u'成交量']]).reshape((1,featurenum))
    x[i,featurenum]=data.iloc[i+dayfeature][u'开盘价']
    #最后一列记录当日的开盘价              iloc :索引
for i in range(0,data.shape[0]-dayfeature):
    if data.iloc[i+dayfeature][u'收盘价']>=data.iloc[i+dayfeature][u'开盘价']:
        y[i]=1
    else:
        y[i]=0
        #如果当天收盘价高于开盘价，y[i]=1代表涨，0代表跌
#创建SVM并进行交叉验证
clf =svm.SVC(kernel='rbf')
#调用svm函数,并设置kernel参数，默认是rbf，其它：‘linear’‘poly’‘sigmoid’
result =[]
for i in range(5):
    #x和y的验证集和测试集，切分80 - 20 % 的测试集
    x_train,x_test,y_train,y_test =\
        model_selection.train_test_split(x,y,test_size=0.2)
    #训练数据进行训练
    clf.fit(x_train,y_train)
    #将预测数据和测试集的验证数据比对
    result.append(np.mean(y_test ==clf.predict(x_test)))
print("svm classifier accuacy:")
print(result)

svm classifier accuacy:
[0.5635179153094463,0.5754614549402823, 0.5266015200868621, 0.5450597176981542, 0.5407166123778502]