## 案例：基于Python的股票价格预测（完整代码实现） --- ### 一、代码概述 本案例使用Python实现一个基于机器学习的股票价格预测系统，主要包括以下功能： - 从网络获取股票历史数据 - 数据预处理与特征工程 - 使用多种机器学习模型进行训练与预测 - 结果可视化和评估 所使用的库包括：`yfinance`、`pandas`、`numpy`、`scikit-learn`、`matplotlib`、`keras`。 --- ### 二、完整Python代码 ```python # 1. 导入必要的库 import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score from keras.models import Sequential from keras.layers import LSTM, Dense # 2. 获取股票数据 def fetch_stock_data(ticker='AAPL', start='2018-01-01', end='2023-01-01'): df = yf.download(ticker, start=start, end=end) df = df[['Open', 'High', 'Low', 'Close', 'Volume']] return df # 3. 特征工程 def add_features(df): df['MA_10'] = df['Close'].rolling(window=10).mean() df['MA_50'] = df['Close'].rolling(window=50).mean() df['Return_1'] = df['Close'].pct_change(1) df['Return_5'] = df['Close'].pct_change(5) df.dropna(inplace=True) return df # 4. 数据预处理 def preprocess_data(df, target_col='Close', test_size=0.2): X = df.drop(columns=[target_col]) y = df[target_col] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, shuffle=False) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) return X_train, X_test, y_train, y_test # 5. 构建LSTM数据格式 def create_dataset(X, y, time_steps=1): Xs, ys = [], [] for i in range(len(X) - time_steps): Xs.append(X[i:(i + time_steps), :]) ys.append(y[i + time_steps]) return np.array(Xs), np.array(ys) # 6. 主程序流程 if __name__ == "__main__": # 获取数据 df = fetch_stock_data() df = add_features(df) df = df.dropna() # 分离特征和目标变量 X = df.drop(columns=['Close']) y = df['Close'] # 普通机器学习模型训练 X_train, X_test, y_train, y_test = preprocess_data(df) # 线性回归模型 lr_model = LinearRegression() lr_model.fit(X_train, y_train) lr_pred = lr_model.predict(X_test) # 随机森林模型 rf_model = RandomForestRegressor(n_estimators=100) rf_model.fit(X_train, y_train) rf_pred = rf_model.predict(X_test) # LSTM模型 time_steps = 10 X_lstm, y_lstm = create_dataset(X.values, y.values, time_steps) X_train_lstm, X_test_lstm, y_train_lstm, y_test_lstm = train_test_split(X_lstm, y_lstm, test_size=0.2, shuffle=False) lstm_model = Sequential() lstm_model.add(LSTM(50, input_shape=(X_train_lstm.shape[1], X_train_lstm.shape[2]))) lstm_model.add(Dense(1)) lstm_model.compile(optimizer='adam', loss='mse') lstm_model.fit(X_train_lstm, y_train_lstm, epochs=20, batch_size=32, validation_split=0.1, verbose=0) lstm_pred = lstm_model.predict(X_test_lstm) # 评估模型 def evaluate_model(y_true, y_pred, model_name): mse = mean_squared_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) print(f"{model_name} - MSE: {mse:.4f}, R²: {r2:.4f}") evaluate_model(y_test, lr_pred, "Linear Regression") evaluate_model(y_test, rf_pred, "Random Forest") # 可视化预测结果 plt.figure(figsize=(12, 6)) plt.plot(y_test.reset_index(drop=True), label='True Value') plt.plot(pd.Series(lr_pred, index=y_test.index), label='Linear Regression Prediction') plt.plot(pd.Series(rf_pred, index=y_test.index), label='Random Forest Prediction') plt.legend() plt.title('Stock Price Prediction') plt.show() ``` --- ### 三、知识点 - **时间序列数据预处理**：对金融数据进行缺失值处理、特征构造、标准化等操作，为模型训练做准备。 - **机器学习模型**：使用线性回归、随机森林等经典机器学习算法进行股票价格预测。 - **LSTM神经网络**：使用长短期记忆网络对时间序列进行建模，适用于金融数据中的时序依赖关系。 --- ### 四、运行建议 1. 安装所需库： ```bash pip install yfinance pandas numpy scikit-learn matplotlib tensorflow ``` 2. 本案例默认使用苹果公司股票（AAPL），您可以修改`fetch_stock_data()`中的ticker参数来更换股票。 3. 您可以根据需要添加更多技术指标（如MACD、RSI）或基本分析因子（如PE比率）来提高预测准确性。 4. 对于LSTM模型，可以根据数据量调整epochs、batch_size等参数以获得更好的效果。 --- 如果您需要扩展案例（如加入更多股票、预测多日走势、加入市场情绪数据等），我可以继续为您提供详细内容。