合肥的网站建设剂屏,企业网站接入微信支付,wordpress 插件 爬文章,网站产品展示方案线性回归在整个财务中广泛应用于众多应用程序中。在之前的教程中#xff0c;我们使用普通最小二乘法(OLS)计算了公司的beta与相对索引的比较。现在#xff0c;我们将使用线性回归来估计股票价格。线性回归是一种用于模拟因变量(y)和自变量(x)之间关系的方法。通过简单的线性回…线性回归在整个财务中广泛应用于众多应用程序中。在之前的教程中我们使用普通最小二乘法(OLS)计算了公司的beta与相对索引的比较。现在我们将使用线性回归来估计股票价格。线性回归是一种用于模拟因变量(y)和自变量(x)之间关系的方法。通过简单的线性回归只有一个自变量x。可能有许多独立变量属于多元线性回归的范畴。在这种情况下我们只有一个自变量即日期。对于第一个日期上升到日期向量长度的整数该日期将由1开始的整数表示该日期可以根据时间序列数据而变化。当然我们的因变量将是股票的价格。为了理解线性回归您必须了解您可能在学校早期学到的相当基本的等式。y a bxY 预测值或因变量b 线的斜率x 系数或自变量a y截距从本质上讲这将构成我们对数据的最佳拟合。在OLS过程中通过数据集绘制了大量线条。该过程的目标是找到最佳拟合线最小化平方误差和(SSE)与股票价格(y)的实际值以及我们在数据集中所有点的预测股票价格。这由下图表示。对于绘制的每条线数据集中的每个点与模型输出的相应预测值之间存在差异。将这些差异中的每一个加起来并平方以产生平方和。从列表中我们采用最小值导致我们的最佳匹配线。考虑下图第一部分获取数据from matplotlib import stylefrom sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitimport quandlimport datetimestyle.use(ggplot)#Datesstart_date datetime.date(2017,1,3)t_datestart_date, end_dateend_date, collapsedaily)df df.reset_index()prices np.reshape(prices, (len(prices), 1))第二部分创建一个回归对象, linewidth3, label Predicted Price) #plotting the line made by linear regressionplt.title(Linear Regression | Time vs. Price)plt.legend()predicted_price regressor.predict(date)输出预测日期输入价格创建训练/测试集etxtrain, x , ytrain)#Trainplt.title(Linear Regression | Time vs. Price)#Test Set Graphplt.scatter(xtest, ytest, coloryellow, label Actual Price) #plotting the initial datapointsplt.plot(xtest, regressor.predict(xtest), colorblue, linewidth3, label Predicted Price) #plottingplt.show()输出测试集以上就是本文的全部内容希望对大家的学习有所帮助也希望大家多多支持龙方网络。
