python用線性迴歸預測股票價格
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', linewidth=3, label = 'Predicted Price') #plotting
plt.show()
輸出：
測試集：
▍關注我們
大資料部落 -中國專業的第三方資料服務提供商，提供定製化的一站式資料探勘和
統計分析和資料探勘諮詢服務：y0.cn/teradat（諮詢服務請聯絡官網客服）
QQ：3025393450
【服務場景】
科研專案; 公司專案外包;線上線下一對一培訓;學術研究。
【大資料部落】提供定製化的一站式資料探勘和統計分析諮詢服務
分享最新的大資料資訊，每天學習一點資料分析，讓我們一起做有態度的資料人
微信客服號：lico_9e
QQ交流群：186388004
歡迎關注微信公眾號，瞭解更多資料乾貨資訊！
