写一段运用机器学习模型来预测股票价格的模型代码，并给出近五年的预测胜率，胜率最好在80%以上，可以在jupyter notebook上运行

以下是一个使用线性回归模型来预测股票价格的简单示例代码。我们将使用S&P 500指数作为我们的数据集。

首先，我们需要导入必要的库和数据：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 读取数据
data = pd.read_csv("SP500.csv")

# 将日期转换为时间戳并设置为索引
data['date'] = pd.to_datetime(data['date'])
data = data.set_index('date')

# 创建特征和标签
X = data.drop('close', axis=1)
y = data['close']

然后，我们需要将数据集分成训练集和测试集：

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

接下来，我们将创建并拟合线性回归模型：

# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)

现在，我们可以使用模型来做出预测并计算准确率：

# 做出预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = model.score(X_test, y_test)
print("准确率：", accuracy)

最后，我们可以输出预测结果并进行可视化：

# 输出预测结果
predictions = pd.DataFrame({'Actual': y_test, 'Predicted': y_pred})
print(predictions)

# 可视化预测结果
import matplotlib.pyplot as plt

plt.plot(y_test.values, color='blue')
plt.plot(y_pred, color='red')
plt.title('预测结果')
plt.xlabel('测试数据点')
plt.ylabel('股票价格')
plt.legend(['实际', '预测'])
plt.show()

请注意，这只是一个简单的示例代码，并且预测准确率可能会受到多种因素的影响。将其应用于实际股票市场需要更复杂的模型和更多的数据处理和特征工程。