線性回歸在整個財務中廣泛應用于眾多應用程序中。在之前的教程中，我們使用普通最小二乘法(OLS)計算了公司的beta與相對索引的比較?，F在，我們將使用線性回歸來估計股票價格。

線性回歸是一種用于模擬因變量(y)和自變量(x)之間關系的方法。通過簡單的線性回歸，只有一個自變量x?？赡苡性S多獨立變量屬于多元線性回歸的范疇。在這種情況下，我們只有一個自變量即日期。對于第一個日期上升到日期向量長度的整數，該日期將由1開始的整數表示，該日期可以根據時間序列數據而變化。當然，我們的因變量將是股票的價格。為了理解線性回歸，您必須了解您可能在學校早期學到的相當基本的等式。

y = a + bx

Y =預測值或因變量

b =線的斜率

x =系數或自變量

a = y截距

從本質上講，這將構成我們對數據的最佳擬合。在OLS過程中通過數據集繪制了大量線條。該過程的目標是找到最佳擬合線，最小化平方誤差和(SSE)與股票價格(y)的實際值以及我們在數據集中所有點的預測股票價格。這由下圖表示。對于繪制的每條線，數據集中的每個點與模型輸出的相應預測值之間存在差異。將這些差異中的每一個加起來并平方以產生平方和。從列表中，我們采用最小值導致我們的最佳匹配線?？紤]下圖：

第一部分：獲取數據：

from matplotlib import style

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

import quandl

import datetime

style.use('ggplot')

#Dates

start_date = datetime.date(2017,1,3)

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：創建一個回歸對象：

', linewidth=3, label = 'Predicted Price') #plotting the line made by linear regression

plt.title('Linear Regression | Time vs. Price')

plt.legend()

predicted_price =regressor.predict(date)

輸出：

預測日期輸入價格：

創建訓練/測試集

et

xtrain, x , ytrain)

#Train

plt.title('Linear Regression | Time vs. Price')

#Test Set Graph

plt.scatter(xtest, ytest, color='yellow', label= 'Actual Price') #plotting the initial datapoints

plt.plot(xtest, regressor.predict(xtest), color='blue', linewidth=3, label = 'Predicted Price') #plotting

plt.show()

輸出：

測試集：

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持龍方網絡。

總結

以上是生活随笔為你收集整理的python股票预测代码_python用线性回归预测股票价格的实现代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。