Python 线性回归股票预测代码示例

以下是基于线性回归预测股票的Python代码示例：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 读取股票数据
data = pd.read_csv('stock_data.csv')
# 筛选需要用于预测的特征和目标变量
X = data[['open', 'high', 'low', 'volume']]
y = data['close']

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

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

# 预测
y_pred = model.predict(X_test)

# 计算模型评估指标
mse = np.mean((y_pred - y_test) ** 2)
r2 = model.score(X_test, y_test)

print('Mean Squared Error: ', mse)
print('R-squared: ', r2)

其中，'stock_data.csv'是股票数据的CSV文件，包含open（开盘价）、high（最高价）、low（最低价）和close（收盘价）等特征变量。首先，读取这些数据并将其分成训练集和测试集。然后，使用线性回归模型训练数据。最后，使用训练好的模型对测试数据进行预测，并计算模型评估指标（均方误差和R-squared）。