基于线性回归的股票预测代码

基于线性回归的股票预测代码，一般需要以下几个步骤：

1. 数据收集和清洗：从可靠的数据源获取股票数据，并进行数据清洗、处理和转换，以便用于模型训练。

2. 特征工程：选择与股票价格相关的特征，如历史价格、交易量、市盈率等，对其进行特征工程处理，如归一化、标准化等。

3. 模型训练：将数据集划分为训练集和测试集，使用线性回归算法对训练集进行训练，并使用测试集验证模型的准确性。

4. 模型优化：根据模型的表现，进行参数调整、特征选择等优化操作，提高模型的精度。

5. 预测结果输出：使用模型对未来的股票价格进行预测，并将结果输出。

下面是一个简单的基于线性回归的股票预测代码示例：

# 导入必要的库
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# 读取数据
df = pd.read_csv('stock.csv')

# 特征选择
features = ['open', 'high', 'low', 'volume']

# 划分数据集
X = df[features]
y = df['close']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测结果
y_pred = model.predict(X_test)

# 输出结果
print('R2 score: ', r2_score(y_test, y_pred))
print('Predicted Close Price: ', model.predict([[120, 130, 118, 1000000]]))

相关问题：
1. 线性回归模型的原理是什么？
2. 除了线性回归，还有哪些常用的股票预测算法？
3. 如何进行特征选择和特征工程？