Python 股票价格预测：线性回归模型实战

使用 Python 进行股票价格预测 - 线性回归模型实战

本文将使用 Python 的 Pandas 和 Scikit-learn 库，利用线性回归模型对股票价格进行预测。代码展示了数据加载、特征选择、模型训练、预测和评估等步骤，并包含可视化结果的图表。

代码实现

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()
plt.show()

运行结果的第一列的数字是什么意思

运行结果的第一列的数字是样本编号，表示每个样本在数据集中的索引位置。

代码说明

数据加载: 使用 pd.read_excel() 从 Excel 文件中读取数据集。
特征选择: 选择用于预测的特征变量，例如开盘价、涨跌额、成交量等。
划分训练集和测试集: 使用 train_test_split() 将数据集分成训练集和测试集，用于模型训练和评估。
训练模型: 使用 LinearRegression() 创建线性回归模型，并使用 model.fit() 对训练集进行训练。
预测股票价格: 使用 model.predict() 对测试集进行预测。
评估模型: 使用 mean_squared_error() 计算均方误差，评估模型的预测效果。
可视化结果: 使用 matplotlib 绘制预测价格和实际价格的对比图，直观地展示模型的预测结果。

总结

本文展示了使用 Python 的线性回归模型进行股票价格预测的完整流程，并提供了代码示例和运行结果分析。该模型可以作为一种简单而有效的预测方法，但需要根据具体情况进行调整和优化。