线性回归预测股价交叉验证代码

以下是一个基于 scikit-learn 库实现的交叉验证线性回归预测股价的代码示例：

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

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

# 提取特征和目标变量
X = stock_data[['feature1', 'feature2', ...]]
y = stock_data['target']

# 创建时间序列交叉验证对象
tscv = TimeSeriesSplit(n_splits=5)

# 创建线性回归对象
lr = LinearRegression()

# 进行交叉验证
scores = []
for train_index, test_index in tscv.split(X):
    # 划分训练集和测试集
    X_train, X_test = X.iloc[train_index], X.iloc[test_index]
    y_train, y_test = y.iloc[train_index], y.iloc[test_index]
    # 训练模型
    lr.fit(X_train, y_train)
    # 测试模型
    score = lr.score(X_test, y_test)
    scores.append(score)

# 输出交叉验证结果
print('R-squared:', np.mean(scores))

在上述代码中，我们首先读取了股票数据，提取了特征和目标变量。然后创建了一个时间序列交叉验证对象，这里我们设置了 n_splits=5，表示将样本分成 5 个连续的时间段，每次用其中一个作为测试集，其他做为训练集。接着创建了一个线性回归对象，然后进行交叉验证，每次将训练集和测试集划分出来，对模型进行训练和测试，并记录得分。最后输出交叉验证结果，这里我们计算了每个测试集上的 R-squared 值的平均值作为最终结果。