KNN算法简介
KNN 算法实际上是一句中国谚语智慧的体现：“物以类聚，人以群分”，是一种聚类分析的方法，也是目前最简单的无监督类学习方法。
我们在日常生活中有这样的推论，身边朋友都爱喝酒的人，可能是爱喝酒的人；身边朋友都认为身边朋友都爱喝酒的人可能是爱喝酒的人的人，可能是认为身边朋友都爱喝酒的人可能是爱喝酒的人的人。
基于这样的逻辑，如果现在我们有几个点，分布在二维平面上：
现在突然出现了一个这样颜色不明的点（这明明就是黑的）
很自然的我们下意识的觉得这个点
是蓝的！
好好好，别动手有话好商量，事实上正常人肯定觉得这个点颜色应该是红色的。
这种聚类思想可以运用到很多分类问题中，比如股票价格未来走势的预测（醒醒吧，也就这么顺口一说，要是准确率高我还会在这里写文章吗？）
这种方法的严谨的数学表达是：首先确定距离的度量方法，事实上在数学上有很多种距离的度量方法，比如切比雪夫距离，欧氏距离，曼哈顿距离，这些距离实际上对应的是一个叫做范数的数学概念，鉴于这篇文章不是数学讲堂，同时还指望着流量点击养家糊口，就不一一叙述了。这里我们给出对欧式距离（L2 范数）的计算方法
对于 x ∈ Rn，存在 x 的集合 X，x1、x2 ∈ X，定义
诶嘿，是不是突然发现很熟悉，然后读者们可能就要开始骂了，故弄什么玄虚，这不就是 n 维空间内点的直线距离吗，没有错，L2 范数对应的就是点在空间内部的直线距离。根据分类的标的不同，我们使用不同的距离度量方法来适应样本的独特性质，不过一般情况下使用直线距离就足够了，毕竟老夫也不是什么恶魔，况且 L2 范数已经具有相当良好的数学性质，比如连续，可导…跑题了，咳……
既然刚刚已经明确了距离的概念，这样当我们拥有一个非常完整的样本的情况下，特征完整标签明确。当我们想对一个新来的点或者一些样本进行分类的时候，我们可以逐一计算这个（些）新来的样本和已知的样本点之间的距离，然后取离这个点最近的 K 个已知样本。统计一下这些已知样本点对应标签的数量，选取出现次数最多的标签作为新来样本点的分类。
当然这个 K 参数是自行选择的，有一个小技巧是，K 参数尽量避免成为标签集合数量的倍数，原因试一试就知道了。
KNN 算法的优点在于：
①对病态数据不敏感（毕竟取了K个数据，有一两个病态的数据基本不影响结果。有的亲一定要杠一下，就要问了：要是全部样本都病了怎么办呢？亲，我们这边建议殴打给你样本数据的人）
②分类精度比较高
③对数据不需要预先的假设（比如强行规定他服从XX分布……金融分析最喜欢做的事ORZ）
KNN算法的缺点在于：
①计算复杂度高，大样本下计算时间长
②边缘样本分类精度明显下降
KNN算法实战
1.选取标的：中证 800
2.选取特征：5 日MA，5 日价格波动率，日内成交额
3.分类目标：当日获取数据后 3 日收益率，为正标注为 1，为负标注为-1，0 变动标注为 0
4.特征处理：对量纲不同的数据进行归一化
5.算法实现：导入必要库
获取价格，计算三日收益率并标注数据
提取特征值并归一化
分离测试样本与训练样本
定义计算L2范数方法
预测并评估性能
6.训练结果：
最终全市场训练准确率在各个参数下，均值收敛到53.6%，虽然一般但是已经好过随机选择很多了
值得一提的是……emmmm，有只股票的预测准确率居然达到了100%......这显然就是样本数量取少了碰巧蒙上了，但是不要紧，至少这个方法会了就行了。
点击【阅读原文】，查看完整研究源码~
网友评论