Python模型回测时触发ValueError: No objects to concatenate错误求助

问题概述 #

使用MSFT股价数据回测随机森林分类模型时，运行代码触发ValueError: No objects to concatenate错误，预期输出回测中预测价格上涨（标记1）和下跌（标记0）的数量统计。

完整出错代码 #

import yfinance as yf
import numpy as np
import pandas as pd

sp_500 = yf.Ticker("MSFT")
sp_500 = sp_500.history(period="max")

# sp_500.plot.line(y="Close", use_index=True)

del sp_500["Dividends"]
del sp_500["Stock Splits"]

sp_500["Tomorrow"] = sp_500["Close"].shift(-1)

sp_500["Target"] = (sp_500["Tomorrow"] > sp_500["Close"]).astype(int)  # 转换为0/1而非布尔值

sp_500 = sp_500.loc["2022-01-01":].copy()

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import precision_score

model = RandomForestClassifier(n_estimators=100, min_samples_split=100, random_state=1)

train = sp_500.iloc[:-100]
test = sp_500.iloc[-100:]

predictors = ["Close", "Volume", "Open", "High", "Low"]
model.fit(train[predictors], train["Target"])

preds = model.predict(test[predictors])
preds = pd.Series(preds, index=test.index)

combined = pd.concat([test["Target"], preds], axis=1)


def predict(train, test, predictors, model):
    model.fit(train[predictors], train["Target"])
    preds = model.predict(test[predictors])
    preds = pd.Series(preds, index=test.index, name="Predictions")
    combined = pd.concat([test["Target"], preds], axis=1)
    return combined


def backtest(data, model, predictors, start=2500, step=250):
    all_predictions = []

    for i in range(start, data.shape[0] - step, step):
        train = data.iloc[i:(i + step)]
        test = data.iloc[(i + step):(i + 2 * step)]
        predictions = predict(train, test, predictors, model)
        all_predictions.append(predictions)

    return pd.concat(all_predictions)

predictions = backtest(sp_500, model, predictors)
print(predictions["Predictions"].value_counts())

错误原因 #

核心问题是回测参数与现有数据量不匹配：

• 代码筛选了2022年至今的MSFT数据，这段时间的交易日数量仅约600行左右。
• 但backtest函数默认设置start=2500，远大于现有数据的总行数，导致range(start, data.shape[0]-step, step)生成的循环范围为空，all_predictions始终是一个空列表。
• 调用pd.concat(all_predictions)时，传入空列表就会触发No objects to concatenate错误。

解决方法 #

步骤1：确认现有数据量 #

先添加代码查看筛选后的数据行数，明确数据规模：

print(sp_500.shape[0])

步骤2：调整回测参数 #

修改backtest函数的start和step参数，确保循环能正常执行。比如将start设为200，step设为50（数值可根据实际数据量灵活调整）：

方式一：修改函数默认参数

def backtest(data, model, predictors, start=200, step=50):
    all_predictions = []

    for i in range(start, data.shape[0] - step, step):
        train = data.iloc[i:(i + step)]
        test = data.iloc[(i + step):(i + 2 * step)]
        predictions = predict(train, test, predictors, model)
        all_predictions.append(predictions)

    return pd.concat(all_predictions)

方式二：调用时指定参数

predictions = backtest(sp_500, model, predictors, start=200, step=50)

步骤3：验证修改效果 #

运行修改后的代码，即可正常生成回测预测结果，并输出Predictions列中1和0的计数。

内容的提问来源于stack exchange，提问作者Devansh