股票价格预测：使用线性回归模型

以下代码使用线性回归模型对股票价格进行预测，并比较预测结果与实际价格。

首先，读取数据集，并选择特征和目标变量。特征包括开盘价、涨跌额、涨跌幅、最低价、最高价、成交量和成交金额，目标变量为收盘价。

然后，将数据集划分为训练集和测试集，其中测试集占比为20%。

接下来，使用线性回归模型进行训练，并使用训练好的模型对测试集进行预测。

计算预测结果与实际价格之间的均方误差（MSE），以评估模型的性能。

最后，将预测结果和实际价格输出，并绘制预测价格和实际价格的图像，以直观地比较二者之间的差异。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 读取数据集
data = pd.read_excel('E:\pythonProject5\深度学习\新建 XLS 工作表.xls')

# 选择特征和目标变量
features = data[['开盘', '涨跌额', '涨跌幅', '最低', '最高', '成交量', '成交金额']]
target = data['收盘']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测股票价格
predictions = model.predict(X_test)

# 对比实际价格进行验证
mse = mean_squared_error(y_test, predictions)
print('均方误差(MSE):', mse)

# 输出预测结果和实际价格
result = pd.DataFrame({'预测价格': predictions, '实际价格': y_test})
print(result)
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定使用SimHei字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 绘制预测价格和实际价格的图像
plt.plot(result.index, result['预测价格'], label='预测价格')
plt.plot(result.index, result['实际价格'], label='实际价格')
plt.xlabel('样本编号')
plt.ylabel('股票价格')
plt.title('预测价格 vs 实际价格')
plt.legend()
plt.show()