用python写一个股票预测代码

股票预测是一个复杂的问题，需要考虑很多因素，比如历史数据、市场环境等，因此需要使用一些机器学习算法来进行预测。下面是一个简单的用 Python 实现的股票预测代码，该代码使用支持向量机（SVM）算法来进行预测：

# 导入必要的库
import pandas as pd
import numpy as np
from sklearn.svm import SVR
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 读取股票数据
df = pd.read_csv('stock_data.csv')

# 数据预处理
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
df['HL_PCT'] = (df['High'] - df['Low']) / df['Close'] * 100.0
df['PCT_change'] = (df['Close'] - df['Open']) / df['Open'] * 100.0
df = df[['Close', 'HL_PCT', 'PCT_change', 'Volume']]
df.fillna(-99999, inplace=True)

# 分离标签和特征
X = np.array(df.drop(['Close'], 1))
y = np.array(df['Close'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
clf = SVR(kernel='linear')
clf.fit(X_train, y_train)

# 预测并计算误差
y_pred = clf.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("MSE:", mse)

这段代码中，我们首先读取了股票数据，然后进行了一些预处理，包括计算了每日最高价、最低价、涨跌幅等指标。接着，我们使用 SVM 算法对数据进行训练，并在测试集上进行预测和误差计算。最后，输出了预测的均方误差（MSE）。

需要注意的是，这只是一个简单的示例，实际中还需要对数据进行更加细致的处理和特征工程，以提高预测的准确性。同时，股票预测是一个高风险的行为，建议在投资前仔细评估风险和收益。