python预测股票

Question

修改这个代码，预测2004-2024年的股票价格，并且把2004-2024预测的股票的价格和实际的股票价格画到一张图上进行对比

修改这个代码，预测2004-2024年的股票价格，并且把2004-2024预测的股票的价格和实际的股票价格画到一张图上进行对比
import pandas as pd
def parse_date(date_string):
    return pd.Timestamp(date_string.replace('_', '-'))
df = pd.read_csv('D:/LSTMdata.csv', index_col='Date', parse_dates=True, date_parser=parse_date)
df.sort_index(inplace=True)
predict_count = int(len(df)*0.02)
df['label'] = df['Close'].shift(-predict_count)
X = df.drop(['label'],axis=1)
y = df['label'][:-predict_count]
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()
scale.fit(X)
X = scale.transform(X)
X_lately = X[-predict_count:]
X = X[:-predict_count]
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x_train, y_train)
model.score(x_test, y_test)
predict = model.predict(X_lately)
import numpy as np
df['predict'] = np.nan
import datetime
# print(df.index[-1])
last_date_st = df.index[-1].timestamp()
next_date_st = last_date_st + 86400

# print(next_date)

for i in predict:
    next_date = datetime.datetime.fromtimestamp(next_date_st)
    df.loc[next_date] = [np.nan for _ in range(len(df.columns)-1)] + [i]
    next_date_st +=  86400
import matplotlib.pyplot as plt
import matplotlib.style as style
style.use('ggplot')
df['Close'].plot()
df['predict'].plot()
plt.show()

Answer 1

该回答引用自GPT-3.5,由博主GISer Liu编写：

首先，我们需要修改代码以预测 2004 年至 2024 年的股票价格，并将预测结果与实际价格进行对比。以下是解决方案的详细步骤：

1. 数据准备 ：

• 导入 pandas 库，读取股票数据。
• 创建一个函数 parse_date 用于解析日期格式。
• 使用 pd.read_csv 读取数据文件，设置 index_col='Date' 表示使用日期作为索引，并解析日期列。
• 排序数据，以确保按日期顺序排列。
  python
  Copy code

  import pandas as pd
  def parse_date(date_string):
  return pd.Timestamp(date_string.replace('_', '-'))
  df = pd.read_csv('D:/LSTMdata.csv', index_col='Date', parse_dates=True, date_parser=parse_date)
  df.sort_index(inplace=True)
  

1. 数据预处理 ：

• 创建一个新列 'label'，其中包含未来预测的股票价格。
• 分割特征和目标变量。
• 使用 StandardScaler 对特征进行标准化。
  python
  Copy code

  predict_count = int(len(df) * 0.02)
  df['label'] = df['Close'].shift(-predict_count)
  X = df.drop(['label'], axis=1)
  y = df['label'][:-predict_count]
  from sklearn.preprocessing import StandardScaler
  scale = StandardScaler()
  scale.fit(X)
  X = scale.transform(X)
  X_lately = X[-predict_count:]
  X = X[:-predict_count]
  

1. 模型训练 ：

• 划分训练集和测试集。
• 使用线性回归模型进行训练。
  python
  Copy code

  from sklearn.model_selection import train_test_split
  x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
  from sklearn.linear_model import LinearRegression
  model = LinearRegression()
  model.fit(x_train, y_train)
  

1. 进行预测 ：

• 预测未来股票价格，并将预测结果添加到 DataFrame 中。
  python
  Copy code

  predict = model.predict(X_lately)
  import numpy as np
  df['predict'] = np.nan
  import datetime
  last_date_st = df.index[-1].timestamp()
  next_date_st = last_date_st + 86400
  for i in predict:
  next_date = datetime.datetime.fromtimestamp(next_date_st)
  df.loc[next_date] = [np.nan for _ in range(len(df.columns)-1)] + [i]
  next_date_st += 86400
  

1. 可视化对比 ：

• 使用 Matplotlib 将实际股票价格和预测股票价格绘制在同一张图上进行对比。
  python
  Copy code

  import matplotlib.pyplot as plt
  import matplotlib.style as style
  style.use('ggplot')
  df['Close'].plot(label='Actual Stock Price')
  df['predict'].plot(label='Predicted Stock Price')
  plt.legend()
  plt.show()
  

  通过这些步骤，我们就能够完成对股票价格的预测，并将预测结果与实际价格进行对比。

如果该回答解决了您的问题，请采纳！如果没有，请私信联系或评论您的疑惑