【股票价格走势预测】数据挖掘实验一

小手の冰凉

已于 2023-09-22 11:12:13 修改

阅读量1.8k

点赞数 2

分类专栏：【数据科学与大数据技术】文章标签：数据挖掘人工智能

于 2023-09-15 10:57:13 首次发布

本文链接：https://blog.csdn.net/Lenhart001/article/details/132897571

版权

【数据科学与大数据技术】专栏收录该内容

31 篇文章 70 订阅

订阅专栏

I、项目任务要求

任务描述：由于直接的经济利益，股票价格预测一直吸引着有兴趣投资股票市场和股票交易所的人。它也是金融界的一个重要研究课题。然而股票市场收益预测是一个非常复杂的问题，取决于公司财务状况和国家政策等诸多因素。
主要任务要求如下：
- ~~可选用爬虫工具或其它方法制作数据集~~ 使用Quandl模块，引用其平台数据
- 建立股票价格趋势预测模型(线性回归、支持向量机回归、决策树)
- 以预测精度来评估预测模型的拟合能力
- 结果分析
参考资料网站：基于线性回归的股票预测（scikit-learn）

II、数据集描述（10）

数据集包含两支股票（GOOGL、AAPL）的历史股价数据，其中特征属性包括：

‘Adj. Open’: 股票的开盘价格，经过调整后的价格。
‘Adj. High’: 股票的最高价格，经过调整后的价格。
‘Adj. Low’: 股票的最低价格，经过调整后的价格。
‘Adj. Close’: 股票的收盘价格，经过调整后的价格。
‘Adj. Volume’: 股票的交易量，经过调整后的交易量。
‘Ex-Dividend’: 不带股息（忽略）
补充数据（构造新数列）：
- ‘HL_PCT’: 最高价和收盘价之间的百分比变化
- ‘PCT_change’: 开盘价和收盘价之间的百分比变化
- ‘label’: 待预测的股票价格，是 ‘Adj. Close’ 列向前移动了一定百分比行数的结果。

在这里插入图片描述
数据集中的记录数取决于获取的历史数据的时间段，每一行代表一天的数据。

III、主要算法原理及模型评价方法陈述（15分）

项目中涉及的主要算法是线性回归（Linear Regression）和支持向量机回归（Support Vector Machine Regression，SVM Regression）。
以下是算法原理的简要描述：

线性回归：

线性回归是一种监督学习算法，用于建立输入特征和输出目标之间的线性关系模型。在这个项目中，线性回归用于训练模型来预测股票的价格（'label’列），使用历史股价和交易量等特征作为输入。
线性回归模型寻找一条最佳拟合直线，使得预测值与实际值之间的平方误差最小化。

支持向量机回归：

支持向量机回归是一种监督学习算法，用于建立输入特征和输出目标之间的非线性关系模型。
本项目中，SVM回归也可以用于预测股票价格。它通过将输入数据映射到高维空间，找到一个最佳的超平面，以最小化预测误差。

决策树

决策树模型是一种用于分类和回归任务的机器学习模型，它模仿了人类在面对决策问题时的思维方式，通过一系列的决策规则来进行预测和分类。决策树模型是一种可解释性强的模型，通常用于以下两种情况：

分类问题：决策树可以用于将数据样本划分到不同的类别中。在分类问题中，每个叶子节点代表一个类别，而每个非叶子节点代表一个特征或属性上的决策规则。数据样本从根节点开始，依次按照规则向下移动，最终到达一个叶子节点，从而确定其所属的类别。
回归问题：除了用于分类，决策树也可以用于回归任务，即预测连续数值的输出。在这种情况下，每个叶子节点仍然代表一个数值，但是非叶子节点的决策规则会将数据样本分配到不同的子节点，最终产生一个回归值。

决策树的构建过程通常分为以下几个步骤：

特征选择：选择最佳的特征来作为每个非叶子节点的决策规则。通常使用不同的评估指标（如信息增益、基尼不纯度等）来确定哪个特征最适合用于分割数据。
数据分割：根据选定的特征，将数据集划分为不同的子集。每个子集对应于不同的特征取值或范围。
递归构建：对每个子集递归地应用上述步骤，构建子树，直到达到停止条件。停止条件可以是达到最大深度、样本数不足或其他预定义条件。
叶子节点标记：为每个叶子节点分配一个类别（分类问题）或一个数值（回归问题）。
剪枝（可选）：决策树可能会过度拟合训练数据，为了提高泛化能力，可以对树进行剪枝，即删除一些分支。

决策树模型的优点包括易于理解和解释、对缺失值不敏感、能够处理数值和分类特征、适用于大规模数据等。然而，它也容易过拟合训练数据，因此通常需要采用剪枝等技术来改进模型的泛化性能。决策树模型的一种常见变体是随机森林，它通过组合多个决策树来提高性能和稳定性。

模型评价方法：

在项目中，使用了以下模型评价方法来评估模型性能：

训练集和测试集拆分：数据集被分成训练集和测试集，以便评估模型的泛化性能。
R-squared（R²）：用于衡量模型对实际数据的拟合程度，值范围在0到1之间，越接近1表示拟合越好。
可视化分析：通过绘制股票价格和预测结果的图表来可视化分析模型的表现。

IV、代码实现（45分）

import quandl
from sklearn import preprocessing
import math
import numpy as np

from sklearn import model_selection, svm
from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt
from matplotlib import style
import datetime

from sklearn.tree import DecisionTreeRegressor

# Todo: 获取股票数据GOOGL、AAPL
# df = quandl.get('WIKI/GOOGL')
df = quandl.get('WIKI/AAPL')
# print(df)

# Todo: 定义预测列变量
# todo: 定义预测天数、特征、处理异常值、生成X，y
# 定义预测列变量，存放研究对象的标签名
forecast_col = 'Adj. Close'

# 定义预测天数，这里设置为所有数据量长度的1%
forecast_out = int(math.ceil(0.01 * len(df)))
print("----------定义の预测天数----------")
print(forecast_out)

# 只用到df中的下面几个字段
df = df[['Adj. Open', 'Adj. High', 'Adj. Low', 'Adj. Close', 'Adj. Volume']]

# 构造两个新列
df['HL_PCT'] = (df['Adj. High'] - df['Adj. Close']) / df['Adj. Close'] * 100.0
df['PCT_change'] = (df['Adj. Close'] - df['Adj. Open']) / df['Adj. Open'] * 100.0
# 真正用到的特征
df = df[['Adj. Close', 'HL_PCT', 'PCT_change', 'Adj. Volume']]

# 处理空值，这里设置为-99999
df.fillna(-99999, inplace=True)

# label代表预测结果，通过让Adj. Close列的数据往前移动1%行来表示
df['label'] = df[forecast_col].shift(-forecast_out)
# 生成在模型中使用的数据X,y,以及预测时用到的数据X_lately
X = np.array(df.drop(['label'], axis=1))
X = preprocessing.scale(X)
# 上面生成的label列时留下的最后1%行的数据，这些行并没有label 数据，用作预测时用到的输入数据
X_lately = X[-forecast_out:]

X = X[:-forecast_out]
# 抛弃label列中为空的那些行
df.dropna(inplace=True)
y = np.array(df['label'])

print("----------预测股票价格的特征变量X----------")
print(X)
print("----------预测的目标变量y----------")
print(y)
print("----------用于预测的输入数据X_lately----------")
print(X_lately)


# Todo: 线性回归分析
# 先把X，y数据分成两部份，训练和测试
X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.2)
# 生成线性回归对象
clf = LinearRegression(n_jobs=-1)
# 开始训练
clf.fit(X_train, y_train)
# 进行预测
foreca_set = clf.predict(X_lately)
# 用测试数据评估准确性
accuracy = clf.score(X_test, y_test)
print("----------线性回归-预测---------")
print(foreca_set)
print("---------线性回归-准确性---------")
print(accuracy)

# Todo: 支持向量机回归分析
# 支持向量机回归分析
clf_svm = svm.SVR(kernel='linear')
# 开始训练支持向量机回归模型
clf_svm.fit(X_train, y_train)
# 用测试数据评估支持向量机回归模型准确性
accuracy_svm = clf_svm.score(X_test, y_test)
# 进行支持向量机回归模型的预测
forecast_set_svm = clf_svm.predict(X_lately)

print("----------支持向量机-预测---------")
print(forecast_set_svm)
print("---------支持向量机-准确性---------")
print(accuracy_svm)

# 决策树回归模型
clf_tree = DecisionTreeRegressor()
clf_tree.fit(X_train, y_train)
accuracy_tree = clf_tree.score(X_test, y_test)
forecast_set_tree = clf_tree.predict(X_lately)

print("----------决策树-预测---------")
print(forecast_set_tree)
print("---------决策树-准确性---------")
print(accuracy_tree)

# Todo: 可视化展示
# 修改matplotlib样式
style.use('ggplot')
one_day = 86400
# 在df中新建Forecast列，用于存放预测结果的数据
df['Forecast'] = np.nan
# 取df最后一行的时间索引
last_date = df.iloc[-1].name
last_unix = last_date.timestamp()
next_unix = last_unix + one_day
# 遍历预测结果，用它向df中追加行

for i in foreca_set:
    next_date = datetime.datetime.fromtimestamp(next_unix)
    next_unix += one_day
    # [np.nan  for _ in range(len(df.columns)-1)]生成不包含Forecast字段的列表
    # 而[i]是只包含Forecast字段的列表
    # 拼在一起组成新行，按日期追加到df下面
    df.loc[next_date] = [np.nan for _ in range(len(df.columns) - 1)] + [i]
# 绘图
df['Adj. Close'].plot()
df['Forecast'].plot()
plt.legend(loc=4)
plt.xlabel('Date')
plt.ylabel('Price')
plt.show()