想在股市赚钱？这些预测股价的方法你得知道

老余捞鱼

于 2025-04-05 09:00:00 发布

阅读量758

点赞数 22

文章标签：人工智能金融

本文链接：https://blog.csdn.net/weixin_70955880/article/details/146303385

版权

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：在股票投资的世界里，大家肯定都想知道股票未来价格会怎样变化。今天我就给大家分享两种超厉害的预测方法，分别是引导法（Bootstrapping）和历史模拟法，学会了你也能像投资高手一样分析股票走势！

一、引导法

引导法（Bootstrapping Simulation）其实就是一种统计技术。打个比方，你有一堆历史数据，就像有一盒彩色弹珠，

引导法就是每次从这盒弹珠里拿一颗，拿完再放回去，然后再拿，重复很多次，每次拿的过程就是一次 “重新采样”。这样反复操作，就能创造出好多模拟样本。

通过这些模拟样本，咱们就能估算出像股票平均收益率这类统计数据的分布情况。要是你想知道股票平均收益率在未来可能的变化范围，引导法就能派上用场啦！

引导法具体是怎么操作的呢？下图是工作流程：

原始样本：先确定原始数据集，这就好比是咱们的 “弹珠盒”，里面装着股票的历史数据。
重新采样：从原始数据里随机抽取数据，而且每次抽完都放回去，这样每个数据都有可能被多次抽到，也可能一次都抽不到。
统计计算：每次重新采样后，都要计算像平均值、中位数这些统计量。
重复操作：把重新采样和计算统计量的过程重复很多次，一般用字母 B 表示重复次数，重复完就能得到统计量的分布。
估算：根据这个分布，咱们就能估算出统计量的一些属性，比如平均值、标准误差和置信区间。

在预测股票价格时，引导法模拟的步骤是这样的：

计算每日收益：算出股票每天的收益，公式是（当天股价 - 前一天股价）÷ 前一天股价。
重新抽样回报：对每日收益进行随机抽样，抽样时每次抽完都放回去，这样能生成未来 n 天的模拟收益序列。
价格路径模拟：把抽样得到的收益率相乘，就能模拟出股票价格的走势。比如，今天收益率是 1.02，明天是 1.03，那两天后的模拟股价就是初始股价 ×1.02×1.03 。
多次模拟：把上面的过程重复 B 次，就能得到好多模拟的最终价格，这些价格的分布能让咱们了解股价可能的变化范围。

引导法在金融领域用处可大了！能帮我们估计未来股票价格的置信区间，评估投资的风险和回报，还能根据历史数据模拟各种未来情况，方便咱们进行情景分析，优化投资组合。

二、历史模拟法

历史模拟法（Historical Simulation）它和引导法有点不一样。引导法重新采样时是有放回的，而历史模拟法是没有放回的。就好像你洗牌一样，把实际的历史回报率打乱顺序，用这些打乱后的回报率来创造未来可能的价格走势。

历史模拟法基于一个假设，就是股票过去的价格走势能帮咱们预测未来的走势。因为它用的是实际的历史回报，所以能保留数据的自然特征和分布，对捕捉股票的历史模式和波动性很有帮助。

历史模拟法的操作步骤如下：

原始样本：从股票的历史回报数据开始。
洗牌：把历史回报数据随机打乱顺序，生成新的回报序列。
价格路径模拟：用打乱后的回报序列，通过累积乘积计算出未来一段时间内股票的价格走势。
重复：把洗牌和计算价格路径的过程重复多次，就能得到模拟最终价格的分布。

上图为历史模拟，每一帧都将原始历史回报与洗牌回报进行比较，然后显示由此产生的模拟价格路径。实际的回报率分布得以保留，但会产生潜在的未来情景。

三、代码实现

为了让大家更清楚怎么操作，下面讲讲用 Python 实现的过程。我们可以用 yfinance 库来获取股票价格数据，代码如下：

import yfinance as yf
import numpy as np
import matplotlib.pyplot as plt
def get_stock_data(ticker, start_date, end_date):
    stock_data = yf.download(ticker, start=start_date, end=end_date)
    return stock_data['Close']

这段代码的作用就是获取指定股票在特定日期范围内的收盘价。

接下来是引导模拟和历史模拟的实现代码：

def bootstrap_simulation(data, days, n_iterations=10000):
    daily_returns = data.pct_change().dropna()
    simulations = np.zeros((n_iterations, days))
    for i in range(n_iterations):
        sample = np.random.choice(daily_returns, size=days, replace=True)
        simulations[i] = np.cumprod(1 + sample) * data.iloc[-1]
    return simulations
def historical_simulation(data, days, n_iterations=10000):
    daily_returns = data.pct_change().dropna()
    simulations = np.zeros((n_iterations, days))
    for i in range(n_iterations):
        shuffled_returns = np.random.permutation(daily_returns)
        sample = shuffled_returns[:days]
        simulations[i] = np.cumprod(1 + sample) * data.iloc[-1]
    return simulations

运行完模拟后就有了好多模拟的最终价格。这时候来计算股价低于、介于或高于特定阈值的概率。计算概率的代码如下：

def calculate_probabilities(simulations, thresholds):
    final_prices = simulations[:, -1]
    below = np.mean(final_prices < thresholds[0])
    above = np.mean(final_prices > thresholds[1])
    between = np.mean((final_prices >= thresholds[0]) & (final_prices <= thresholds[1]))
    return {'below': below, 'between': between, 'above': above}

我们还能把模拟最终价格的分布画出来，这样更直观，代码如下：

def plot_distributions(bootstrap_simulations, historical_simulations, data, thresholds, bootstrap_probabilities, historical_probabilities):
    final_bootstrap_prices = bootstrap_simulations[:, -1]
    final_historical_prices = historical_simulations[:, -1]
    mean_bootstrap_price = np.mean(final_bootstrap_prices)
    median_bootstrap_price = np.median(final_bootstrap_prices)
    ci_68_bootstrap = np.percentile(final_bootstrap_prices, [16, 84])
    ci_95_bootstrap = np.percentile(final_bootstrap_prices, [2.5, 97.5])

   #篇幅所限，非完整代码。。。

    axs[1].text(0.02, 0.95, textstr, transform=axs[1].transAxes, fontsize=12,
                verticalalignment='top', bbox=dict(facecolor='white', alpha=0.5))
    plt.tight_layout()
    plt.show()

上图为引导法和历史模拟法的分布比较：左图显示的是使用自引导法模拟的最终价格分布，右图显示的是使用历史模拟法模拟的最终价格分布。

最后，还可以把历史股票价格和模拟价格锥一起画出来，代码如下：

def plot_price_with_cones(data, bootstrap_percentiles, historical_percentiles, days, thresholds, bootstrap_probabilities, historical_probabilities):
    plt.figure(figsize=(12, 16))
    plt.subplot(2, 1, 1)
    plt.plot(data.index, data, label='Historical Prices')
    last_date = data.index[-1]

   #篇幅所限，非完整代码。。。

    plt.title('Historical Simulation Cone')
    plt.xlabel('Date')
    plt.ylabel('Price')
    plt.legend(loc='upper left')
    plt.tight_layout()
    plt.show()

下面这张图是股价预测的引导模拟锥形图与历史模拟锥形图的比较：

上面的一张图展示的是基于引导法的模拟预测范围图。下面的一张图展示的是基于历史数据的模拟预测范围图。两张图都重点标注了未来股价的预测区间，包括 68% 和 95% 的可信区间，同时还预测了到 2024 年中期股价的三种可能性：低于 850 美元、介于 850 美元到 1000 美元之间，以及高于 1000 美元的概率。

以上的源代码请在我的Google Colab中申请下载，内附中文构建说明。

如觉得对您有所帮助，请留言或者私信向我要完整源代码，同时请我喝杯咖啡就好。

四、观点总结

本文主要介绍了引导法（Bootstrapping）和历史模拟法在金融预测中预测股票价格走势的应用，通过这两种方法，投资者可以估算股价变化概率，为投资决策提供参考。

引导法：一种统计技术，从原始数据集中有放回地重新采样，生成模拟样本，进而估算统计量分布，可用于预测股价走势，在金融领域应用广泛，如估计股价置信区间、评估投资风险和回报等。
历史模拟法：与引导法不同，它对历史回报率无放回地洗牌，基于股票过去价格走势能预测未来走势的假设，保留数据特征，用于模拟未来价格走势。
Python 实现：利用 yfinance 库获取股票数据，通过编写函数实现引导模拟和历史模拟，计算模拟最终价格的概率分布，并绘制相关图表进行分析。

感谢您阅读到最后，希望这篇文章为您带来了新的启发和实用的知识！如果觉得有帮助，请不吝点赞和分享，您的支持是我持续创作的动力。祝您投资顺利，收益长虹！如果对文中内容有任何疑问，欢迎留言，我会尽快回复！

本文内容仅限技术探讨和学习，不构成任何投资建议。