python预测股价代码

下面是一个简单的 Python 代码示例，用于使用线性回归模型预测股价：

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

# 读取数据
data = pd.read_csv('stock_prices.csv')

# 准备数据
X = data['Open'].values.reshape(-1, 1)
y = data['Close'].values.reshape(-1, 1)

# 创建模型
model = LinearRegression()
model.fit(X, y)

# 预测
today_open_price = 120
predicted_close_price = model.predict(np.array([today_open_price]).reshape(-1, 1))

print('预测的收盘价为：', predicted_close_price[0][0])

其中，`stock_prices.csv` 是包含了历史股价数据的 CSV 文件，`Open` 和 `Close` 分别代表当天开盘价和收盘价。模型使用 `LinearRegression` 类进行训练和预测。在预测时，输入当天的开盘价即可输出预测的收盘价。

相关问题

python预测股价代码，使用SVM

以下是一个基于 SVM 的股价预测代码示例：

import pandas as pd
from sklearn.svm import SVR
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv('stock_prices.csv')

# 将日期转换为 datetime 类型
df['Date'] = pd.to_datetime(df['Date'])

# 选取需要预测的股票价格列
data = df[['Date', 'Close']]

# 将日期作为索引
data.set_index('Date', inplace=True)

# 分离训练集和测试集
train_data = data[:'2019']
test_data = data['2020':]

# 创建模型
model = SVR(kernel='linear', C=1e3)

# 训练模型
model.fit(train_data.index.values.reshape(-1, 1), train_data['Close'])

# 进行预测
predictions = model.predict(test_data.index.values.reshape(-1, 1))

# 绘制预测结果和实际结果
plt.plot(test_data.index, predictions, label='Predicted')
plt.plot(test_data.index, test_data['Close'], label='Actual')
plt.legend()
plt.show()

在这个示例中，我们使用了一个线性的 SVM 模型，使用前 80% 的数据来训练模型，然后使用后 20% 的数据来测试模型。我们使用预测结果和实际结果来绘制一个简单的图表，以便我们可以比较它们。请注意，这只是一个示例，您需要根据您的数据和需求进行调整。

写一段LSTM预测股价的python代码

以下是一个简单的LSTM模型用于预测股票价格的Python代码示例。这里使用了Keras和Tensorflow等库：

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import LSTM, Dense

# 读取数据集
df = pd.read_csv('stock_prices.csv')

# 数据预处理
data = df['Close'].values.reshape(-1, 1)  # 转换为二维数组
data = data.astype('float32')
train_size = int(len(data) * 0.7)  # 训练集和测试集的分割
test_size = len(data) - train_size
train, test = data[0:train_size,:], data[train_size:len(data),:]

# 创建数据集
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 3
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# 调整输入数据形状
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

# 创建和训练LSTM模型
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)

# 预测测试集股票价格
testPredict = model.predict(testX)

# 反归一化预测结果
testPredict = scaler.inverse_transform(testPredict)

# 计算均方误差
mse = np.mean((testPredict - testY) ** 2)
print('均方误差：%.6f' % mse)

这段代码中，我们使用了LSTM来构建模型，并使用历史数据来预测股票价格。模型的输入是过去的股票价格，输出是未来一个时间段内的股票价格。我们还使用了均方误差来衡量模型的精度。