線性迴歸在整個財務中廣泛應用於眾多應用程式中。在之前的教程中，我們使用普通最小二乘法（OLS）計算了公司的beta與相對索引的比較。現在，我們將使用線性迴歸來估計股票價格。

線性迴歸是一種用於模擬因變數（y）和自變數（x）之間關係的方法。通過簡單的線性迴歸，只有一個自變數x。可能有許多獨立變數屬於多元線性迴歸的範疇。在這種情況下，我們只有一個自變數即日期。對於第一個日期上升到日期向量長度的整數，該日期將由1開始的整數表示，該日期可以根據時間序列資料而變化。當然，我們的因變數將是股票的價格。為了理解線性迴歸，您必須瞭解您可能在學校早期學到的相當基本的等式。

y = a + bx

• Y =預測值或因變數
• b =線的斜率
• x =係數或自變數
• a = y截距

從本質上講，這將構成我們對資料的最佳擬合。在OLS過程中通過資料集繪製了大量線條。該過程的目標是找到最佳擬合線，最小化平方誤差和（SSE）與股票價格（y）的實際值以及我們在資料集中所有點的預測股票價格。這由下圖表示。對於繪製的每條線，資料集中的每個點與模型輸出的相應預測值之間存在差異。將這些差異中的每一個加起來並平方以產生平方和。從列表中，我們採用最小值導致我們的最佳匹配線。考慮下圖：

第一部分：獲取資料：

from matplotlib import style
 
from sklearn.linear_model import LinearRegression
 
from sklearn.model_selection import train_test_split
 
import quandl
 
import datetime
 
style.use('ggplot')
 
#Dates
 
start_date = datetime.date(2017,1,3)
 
t_date=start_date,end_date=end_date,collapse="daily")
 
df = df.reset_index()
 
prices = np.reshape(prices,(len(prices),1))

第二部分：建立一個迴歸物件：

',linewidth=3,label = 'Predicted Price') #plotting the line made by linear regression
 
plt.title('Linear Regression | Time vs. Price')
 
plt.legend()
 
predicted_price =regressor.predict(date)

輸出：

預測日期輸入價格：

建立訓練/測試集

et
 
xtrain,x,ytrain)
 
#Train
 
plt.title('Linear Regression | Time vs. Price')
 
#Test Set Graph
 
plt.scatter(xtest,ytest,color='yellow',label= 'Actual Price') #plotting the initial datapoints
 
plt.plot(xtest,regressor.predict(xtest),color='blue',label = 'Predicted Price') #plotting
 
plt.show()

輸出：

測試集：

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。