原文链接:/?p=2979
线性回归在整个财务中广泛应用于众多应用程序中。在之前的教程中,我们使用普通最小二乘法(OLS)计算了公司的beta与相对索引的比较。现在,我们将使用线性回归来估计股票价格。
线性回归是一种用于模拟因变量(y)和自变量(x)之间关系的方法。通过简单的线性回归,只有一个自变量x。可能有许多独立变量属于多元线性回归的范畴。在这种情况下,我们只有一个自变量即日期。对于第一个日期上升到日期向量长度的整数,该日期将由1开始的整数表示,该日期可以根据时间序列数据而变化。当然,我们的因变量将是股票的价格。为了理解线性回归,您必须了解您可能在学校早期学到的相当基本的等式。
y = a + bx
Y =预测值或因变量
b =斜率
x =系数或自变量
a = 截距
从本质上讲,这将构成我们对数据的最佳拟合。在OLS过程中通过数据集绘制了大量线条。该过程的目标是找到最佳拟合线,最小化平方误差和(SSE)与股票价格(y)的实际值以及我们在数据集中所有点的预测股票价格。这由下图表示。对于绘制的每条线,数据集中的每个点与模型输出的相应预测值之间存在差异。将这些差异中的每一个加起来并平方以产生平方和。从列表中,我们采用最小值导致我们的最佳匹配线。考虑下图:
第一部分:获取数据:
from matplotlib import stylefrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitimport quandlimport datetimestyle.use('ggplot')#Datesstart_date = datetime.date(,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:创建一个回归对象:
', linewidth=3, label = 'Predicted Price') #plotting the line made by linear regressionplt.title('Linear Regression | Time vs. Price')plt.legend()predicted_price =regressor.predict(date)输出:
预测日期输入价格:
创建训练/测试集
etxtrain, x , ytrain)#Trainplt.title('Linear Regression | Time vs. Price')#Test Set Graphplt.scatter(xtest, ytest, color='yellow', label= 'Actual Price') #plotting the initial datapointsplt.plot(xtest, regressor.predict(xtest), color='blue', linewidth=3, label = 'Predicted Price') #plottingplt.show()输出:
测试集:
相关推荐:
【大数据部落】 隐马尔科夫模型(HMM)股票指数预测实战
用R语言实现神经网络预测股票实例
R语言rcurl抓取问财财经搜索网页股票数据
R语言隐马尔可夫模型HMM识别不断变化的股票市场条件
HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率
python使用LASSO回归预测股票收益
R语言使用ARIMA模型预测股票收益
【大数据部落】spss modeler用决策树神经网络预测ST的股票
R语言k-Shape时间序列聚类方法对股票价格时间序列聚类
R语言: GARCH模型股票交易量的研究道琼斯股票市场指数
参考文献:/tag/股票