Python 股票价格预测模型 - 使用线性回归算法 - 常规

Python 股票价格预测模型 - 线性回归算法

本代码使用 Python 和线性回归算法来预测股票价格。

1. 导入必要的库

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
import matplotlib.pyplot as plt

2. 读取股票数据

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

3. 选择特征和目标变量

# 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']

4. 划分训练集和测试集

# 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)

5. 训练线性回归模型

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

6. 预测股票价格

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

7. 评估模型性能

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

8. 输出预测结果和实际价格

# 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)

9. 可视化预测结果

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()

代码说明:

使用 pandas 库读取 Excel 文件中的股票数据。
选择特征变量和目标变量（收盘价格）。
使用 train_test_split 将数据分成训练集和测试集。
使用 LinearRegression 训练线性回归模型。
使用 predict 方法预测测试集的股票价格。
使用 mean_squared_error 计算均方误差，评估模型性能。
使用 matplotlib 库绘制预测价格和实际价格的图像，直观地展示模型预测效果。

注意：

实际数据路径请根据您的实际情况进行修改。
您可以根据需要调整特征变量和目标变量的选择。
您可以尝试使用不同的机器学习算法进行预测。

扩展：

您可以尝试使用其他特征变量来提高模型性能，例如股票的历史数据、市场情绪指标等。
您可以尝试使用更复杂的机器学习算法，例如神经网络。
您可以尝试使用时间序列分析方法来进行股票价格预测。