用python写个简易的股票机器学习示例

好的，我可以给你一个简单的股票预测的机器学习示例，用到的库是`pandas`和`scikit-learn`。

首先，我们需要准备数据。我们可以从Yahoo Finance上下载股票数据，也可以使用`pandas-datareader`库。

import pandas as pd
import pandas_datareader as pdr

# 从yahoo finance获取股票数据
df = pdr.get_data_yahoo('AAPL', start='2015-01-01', end='2021-01-01')

接着，我们需要对数据进行处理。我们可以使用简单移动平均线（SMA）指标和相对强弱指标（RSI）来预处理数据。

# 计算SMA指标
def compute_sma(df, n):
    sma = pd.Series(df['Close'].rolling(n).mean(), name='SMA')
    df = df.join(sma)
    return df

# 计算RSI指标
def compute_rsi(df, n):
    diff = df['Close'].diff()
    up = diff.where(diff > 0, 0)
    down = -diff.where(diff < 0, 0)

    ema_up = up.ewm(com=n - 1, min_periods=n).mean()
    ema_down = down.ewm(com=n - 1, min_periods=n).mean()

    rs = ema_up / ema_down
    rsi = 100 - (100 / (1 + rs))
    df = df.join(rsi.to_frame(name='RSI'))
    return df

# 处理数据
df = compute_sma(df, 20)
df = compute_rsi(df, 14)
df = df.dropna()

现在我们可以使用支持向量机（SVM）模型来进行预测。我们将数据划分为训练集和测试集，并训练模型。

from sklearn.svm import SVR
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 划分数据集
X = df[['SMA', 'RSI']]
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 = SVR(kernel='rbf', C=1e3, gamma=0.1)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print('均方误差:', mse)

最后，我们可以使用matplotlib库来可视化结果。

import matplotlib.pyplot as plt

plt.figure(figsize=(16, 8))
plt.plot(df.index, df['Close'], label='真实值')
plt.plot(X_test.index, y_pred, label='预测值')
plt.legend()
plt.show()

这就是一个简单的股票预测的机器学习示例。当然，这只是一个起点，你可以根据自己的需要进行更多的特征工程和模型优化。