-
SARIMA模型:
import pandas as pd
import numpy as np
from statsmodels.tsa.statespace.sarimax import SARIMAX将日期转换为datetime格式
data['date'] = pd.to_datetime(data['date'], format='%Y%m%d')
创建SARIMA模型
model = SARIMAX(data['close'], order=(1, 0, 0), seasonal_order=(1, 1, 1, 12))
拟合模型
model_fit = model.fit()
预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
forecast = model_fit.get_forecast(steps=3)
predicted_values = forecast.predicted_mean输出预测结果
print(predicted_values)
-
简单移动平均线(SMA)模型:
计算简单移动平均线
data['SMA'] = data['close'].rolling(window=7).mean()
预测未来3天的价格(使用最近7天的平均值作为预测值)
last_7_days = data['close'].tail(7)
predicted_values = np.mean(last_7_days)输出预测结果
print(predicted_values)
-
指数加权移动平均线(EMA)模型:
计算指数加权移动平均线
data['EMA'] = data['close'].ewm(span=7, adjust=False).mean()
预测未来3天的价格(使用最近一个指数加权移动平均值作为预测值)
last_EMA = data['EMA'].iloc[-1]
predicted_values = last_EMA输出预测结果
print(predicted_values)
-
Bollinger带模型:
计算布林带指标
data['MA'] = data['close'].rolling(window=20).mean()
data['std'] = data['close'].rolling(window=20).std()
data['upper_band'] = data['MA'] + 2 * data['std']
data['lower_band'] = data['MA'] - 2 * data['std']预测未来3天的价格(使用最近一个布林带的上轨值作为预测值)
last_upper_band = data['upper_band'].iloc[-1]
predicted_values = last_upper_band输出预测结果
print(predicted_values)
-
相对强弱指标(RSI)模型:
计算相对强弱指标
data['delta'] = data['close'].diff()
data['gain'] = np.where(data['delta'] >= 0, data['delta'], 0)
data['loss'] = np.where(data['delta'] < 0, -data['delta'], 0)
data['avg_gain'] = data['gain'].rolling(window=14).mean()
data['avg_loss'] = data['loss'].rolling(window=14).mean()计算相对强弱指标
data['RS'] = data['avg_gain'] / data['avg_loss']
data['RSI'] = 100 - (100 / (1 + data['RS']))预测未来3天的价格(使用最近一个相对强弱指标值作为预测值)
last_RSI = data['RSI'].iloc[-1]
predicted_values = last_RSI输出预测结果
print(predicted_values)
-
随机指标(KD指标)模型:
计算随机指标(KD指标)
data['lowest_low'] = data['low'].rolling(window=9).min()
data['highest_high'] = data['high'].rolling(window=9).max()
data['%K'] = (data['close'] - data['lowest_low']) / (data['highest_high'] - data['lowest_low']) * 100
data['%D'] = data['%K'].rolling(window=3).mean()预测未来3天的价格(使用最近一个随机指标值作为预测值)
last_%K = data['%K'].iloc[-1]
predicted_values = last_%K输出预测结果
print(predicted_values)
-
线性回归模型:
from sklearn.linear_model import LinearRegression
创建线性回归模型
model = LinearRegression()
准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']拟合模型
model.fit(X, y)
预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
predicted_values = model.predict(X_future)输出预测结果
print(predicted_values)
-
随机森林回归模型:
from sklearn.ensemble import RandomForestRegressor
创建随机森林回归模型
model = RandomForestRegressor()
准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']拟合模型
model.fit(X, y)
预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
predicted_values = model.predict(X_future)输出预测结果
print(predicted_values)
-
支持向量回归(SVR)模型:
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler创建支持向量回归模型
model = SVR()
准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']特征缩放
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)拟合模型
model.fit(X_scaled, y)
预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
X_future_scaled = scaler.transform(X_future)
predicted_values = model.predict(X_future_scaled)输出预测结果
print(predicted_values)
【@胡锡进】大模型量化分析- 福耀玻璃 600660.SH
civilpy2023-10-07 17:50
相关推荐
LZXCyrus5 分钟前
【杂记】vLLM如何指定GPU单卡/多卡离线推理Enougme8 分钟前
Appium常用的使用方法(一)懷淰メ14 分钟前
PyQt飞机大战游戏(附下载地址)hummhumm28 分钟前
第 22 章 - Go语言 测试与基准测试hummhumm44 分钟前
第 28 章 - Go语言 Web 开发入门每天吃饭的羊1 小时前
python里的数据结构卡卡_R-Python1 小时前
UCI Heart Disease Data Set—— UCI 心脏病数据集介绍饮长安千年月1 小时前
浅谈就如何解出Reverse-迷宫题之老鼠走迷宫的一些思考好看资源平台1 小时前
网络爬虫——爬虫项目案例豌豆花下猫2 小时前
Python 潮流周刊#78:async/await 是糟糕的设计(摘要)