ml_linear_预测股票

__author__='徐长亮'
# pip install tushare
# pip install plotly
import os
import numpy as np
import pandas as pd
import tushare as ts
from datetime import datetime as dt
import matplotlib.pyplot as plt
import plotly.offline as of
import plotly.graph_objs as go
from sklearn.linear_model import LinearRegression
from sklearn import preprocessing

num = 5  # 预测5天后的情况


def get_stock_data(stock_num,start):
    """
    下载数据
    股票数据的特征
        date:日期
        open:开盘价
        high:最高价
        close:收盘价
        low:最低价
        volume:成交量
        price_change:价格变动
        p_change:涨跌幅
        ma5:5日均价
        ma10:10日均价
        ma20:20日均价
        v_ma5:5日均量
        v_ma10:10日均量
        v_ma20:20日均量
    :param stock_num:
    :return:df
    """
    df = ts.get_hist_data(stock_num,start=start,ktype='D')
    return df

def stoc
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要在Rstudio中使用forecast函数预测未来几天的股票收盘价格,需要先获取股票的历史收盘价格数据,并将其转换为时间序列对象。假设已经获取并导入了股票数据,可以按照以下步骤进行预测: 1. 将股票收盘价格数据转换为时间序列对象。假设收盘价格存储在一个名为df的数据框中,其中Date列是日期,Close列是收盘价格,可以使用以下代码将其转换为时间序列对象: ``` ts_data <- ts(df$Close, frequency = 7) # 假设数据按周频率采样 ``` 2. 对时间序列数据进行可视化,查看数据的趋势、季节性等特征。可以使用以下代码绘制时间序列图: ``` plot(ts_data) ``` 3. 对时间序列数据进行分解,得到趋势、季节性和残差等组成部分。可以使用以下代码进行分解: ``` decomp <- decompose(ts_data, type = "multiplicative") ``` 4. 对分解后的时间序列数据进行模型拟合和预测。可以使用以下代码选择合适的模型进行拟合和预测: ``` fit <- auto.arima(ts_data) forecasted_data <- forecast(fit, h = 7) # 预测未来7天的收盘价格 ``` 其中,auto.arima函数会自动选择ARIMA模型的阶数,并拟合模型;forecast函数用于预测未来的收盘价格。预测结果存储在forecasted_data对象中。可以使用以下代码查看预测结果: ``` print(forecasted_data) ``` 需要注意的是,以上代码仅提供了一个简单的预测框架,实际上预测股票价格需要考虑更多的因素,如宏观经济指标、公司财报、行业竞争等等。因此,预测结果仅供参考,应该谨慎使用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值