听“股神”说买黄金永远不会亏，2024年最新ios大厂面试题

t = int(t*len(Df))

X_train = X[:t]

y_train = y[:t]

X_test = X[t:]

y_test = y[t:]

创建线性回归模型

我们现在将创建一个线性回归模型。但是，什么是线性回归？

如果我们试图捕捉“x”和“y”变量之间的数学关系，通过对散点图拟合一条线，“最好”根据“x”的观察值解释“y”的观察值，那么这样的方程 x 和 y 之间的关系称为线性回归分析。

为了进一步分解，回归用自变量解释了因变量的变化。因变量“y”是您要预测的变量。自变量“x”是您用来预测因变量的解释变量。以下回归方程描述了这种关系：

Y = m1 * X1 + m2 * X2 + C

Gold ETF price = m1 * 3 days moving average + m2 * 15 days moving average + c

然后我们使用拟合方法拟合自变量和因变量（x 和 y）以生成回归系数和常数。

linear = LinearRegression().fit(X_train, y_train)

print(“Linear Regression model”)

print("Gold ETF Price (y) = %.2f * 3 Days Moving Average (x1) \

+ %.2f * 9 Days Moving Average (x2) \

+ %.2f (constant)" % (linear.coef_[0], linear.coef_[1], linear.intercept_))

输出线性回归模型:

黄金 ETF 价格 (y) = 1.20 * 3 天移动平均线 (x1) + -0.21 * 9 天移动平均线 (x2) + 0.43（常数）

预测黄金ETF价格

现在，是时候检查模型是否在测试数据集中工作了。我们使用使用训练数据集创建的线性模型来预测黄金 ETF 价格。预测方法找到给定解释变量 X 的黄金 ETF 价格 (y)。

predicted_price = linear.predict(X_test)

predicted_price = pd.DataFrame(

predicted_price, index=y_test.index, columns=[‘price’])

predicted_price.plot(figsize=(10, 7))

y_test.plot()

plt.legend([‘predicted_price’, ‘actual_price’])

plt.ylabel(“Gold ETF Price”)

plt.show()

该图显示了黄金 ETF 的预测价格和实际价格。

现在，让我们使用 score() 函数计算拟合优度。

r2_score = linear.score(X[t:], y[t:])*100

float(“{0:.2f}”.format(r2_score))

输出：

99.21

可以看出，模型的 R 平方为 99.21%。R 平方始终介于 0 和 100% 之间。接近 100% 的分数表明该模型很好地解释了黄金 ETF 的价格。

绘制累积收益

让我们计算一下这个策略的累积收益来分析它的表现。

累计收益计算步骤如下：

•  生成黄金价格的每日百分比变化

•  当第二天的预测价格高于当天的预测价格时，创建一个以“1”表示的买入交易信号

•  通过将每日百分比变化乘以交易信号来计算策略回报。

•  最后，我们将绘制累积收益图

gold = pd.DataFrame()

gold[‘price’] = Df[t:][‘Close’]

gold[‘predicted_price_next_day’] = predicted_price

gold[‘actual_price_next_day’] = y_test

gold[‘gold_returns’] = gold[‘price’].pct_change().shift(-1)

gold[‘signal’] = np.where(gold.predicted_price_next_day.shift(1) < gold.predicted_price_next_day,1,0)

gold[‘strategy_returns’] = gold.signal * gold[‘gold_returns’]

((gold[‘strategy_returns’]+1).cumprod()).plot(figsize=(10,7),color=‘g’)

plt.ylabel(‘Cumulative Returns’)

plt.show()

输出如下：

我们还将计算夏普比：

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

乎的大厂面试真题，持续更新中。

🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
[外链图片转存中…(img-L9805Hyv-1712789182215)]