使用 Python 对股票参数进行特征重要性分析
1. 前言
特征重要性分析，顾名思义就是要看看这一批参数里面，各个参数对模型预测结果的贡献度分别是多少，对于每一个预测结果来说，哪些参数的贡献度是最大的，哪些参数是无关紧要的。在本文中，我们以预测股票涨跌为例，简要介绍使用 Python 来对股票预测模型的参数进行特征重要性分析的方法，希望对大家能有所帮助。
2. 导入依赖包
这里我使用的 Python 版本是：3.9.5 (tags/v3.9.5:0a7dcbd, May 3 2021, 17:27:52)
3. 准备好模型训练所需的数据
要对预测模型的参数进行重要性分析，首先我们得有关于这些参数的数据（如：'MACD', 'MACD_DIF', 'MACD_DEA', 'DMA_DIF', 'PLRC12', 'PLRC6', 'Price1M', 'Price3M', 'EMA5', 'EMAC10'等等）。这些参数我已经事先准备好了，这里我们只需从文件中读取即可。
使用下面的代码将数据从文件中读取出来：
从代码运行的输出结果中可以看到，我们这一批数据总共有 19 个参数以及 6884 个样本：
4. 划分训练集和测试集
使用如下代码将整个数据划分为两个部分：测试集和训练集。训练集用于模型训练，测试集用于模型验证和测试。
从代码的运行输出结果可以看到，这里我们划分的训练集样本数量为 5507 个，测试集的样本数量为 1377 个。
5. 用随机森林回归算法对模型进行训练
模型训练好了之后，我们可以使用如下代码使用模型对测试集中的数据进行预测：
6. 调用模型解释包 shap 对参数进行特征重要性分析
运行上面的代码，我们就可以看到各个参数对模型预测结果的贡献度了，红色代表正向贡献，蓝色代表负向贡献，参数的贡献度从上往下是由大到小，具体情况如下图所示：
7. 对单个预测结果的特征贡献度进行可视化显示
这里我们选择测试集中的第 1 个样本和第 5 个样本进行演示：
8. 对模型所有的预测结果进行可视化
9. 结语
以上就是使用 Python 对股票涨跌预测模型的参数进行重要性分析的方法了，如果感觉还不错的话，可以帮忙给个赞哦，感谢各位支持。
