请给出几个比较容易实现的基于机器学习算法的股票价格预测模型的例子，python代码实现。

当涉及到股票价格预测时，由于市场的复杂性和不确定性，建立一个准确的预测模型是非常具有挑战性的。以下是几个比较常见和相对容易实现的股票价格预测模型的例子，以及用Python实现的示例代码：

1. 线性回归模型：
线性回归模型是一种简单但常用的预测模型。它假设目标变量与特征之间存在线性关系。以下是使用scikit-learn库实现的线性回归模型：

from sklearn.linear_model import LinearRegression

# 假设你已经准备好了特征数据 X 和目标变量 y
model = LinearRegression()
model.fit(X, y)

# 进行预测
predicted_prices = model.predict(X_new)

2. ARIMA模型：
ARIMA（自回归综合移动平均）模型是一种常用的时间序列预测模型，适用于非平稳时间序列数据。以下是使用statsmodels库实现的ARIMA模型：

import statsmodels.api as sm

# 假设你已经准备好了时间序列数据 y
model = sm.tsa.ARIMA(y, order=(p, d, q))
model_fit = model.fit(disp=0)

# 进行预测
predicted_prices = model_fit.predict(start=start_index, end=end_index)

3. 支持向量回归（SVR）模型：
SVR模型是一种非线性回归模型，可以通过使用核函数来处理非线性关系。以下是使用scikit-learn库实现的SVR模型：

from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler

# 假设你已经准备好了特征数据 X 和目标变量 y
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

model = SVR(kernel='rbf')
model.fit(X_scaled, y)

# 进行预测
X_new_scaled = scaler.transform(X_new)
predicted_prices = model.predict(X_new_scaled)

需要注意的是，以上只是简单的示例代码，实际应用中可能需要进行更多的特征工程和模型调优。此外，股票价格预测是一个复杂的问题，单一模型可能无法达到很高的准确度。通常需要结合多个模型或采用集成学习的方法来提高预测性能。