线性回归 python r方分析 tushare

基于Lasso回归的涨跌预测

Posted by 高庆东 on November 24, 2018

数据

tushare提供了全面的金融数据，可以直接调用api来获取数据，需要在python环境下安装anaconda

直接pip install tushare就可以了，然后调用函数既可以获得数据，该数据集下的数据主要有股票

的变化情况和参数，

目标

用每天的数据来预测三天后的涨跌幅度

用r2来检测算法的效果，在sklearning是实践经验证r2值完全不到0.1%，

python实现

数据读取

import numpy as np
import tushare as ts
import pandas as pd
from sklearn.model_selection import train_test_split


def dataset_read(df):
    #pro = ts.pro_api()
    #df = pro.daily(ts_code='000001.SZ', start_data='20181109', end_data='20181110')
    #df = sorted(df, key=lambda x: x.trade_date)
    df=np.array(df)
    #print("读取数据")
    #print(df.shape)
    return df

def dataset_proc(df):
    df_lable=df[:,8]
    df_lable=df_lable.reshape(-1,1)
    df_lable=np.delete(df_lable,[len(df_lable)-1,len(df_lable)-2,len(df_lable)-3],0)
    df_dates=np.delete(df,[0,1,8],1)
    df_dates=np.delete(df_dates,[0,1,2],0)
    x_train, x_test, y_train, y_test = train_test_split(df_dates, df_lable, test_size=0.2, random_state=0)
    # print("数据分类")
    # print(x_train.shape,y_train.shape,x_test.shape,y_test.shape)
    return x_train,x_test,y_train,y_test

建模

import tushare as ts
import numpy as np
from sklearn.linear_model import Lasso,LarsCV,LassoLarsCV
from sklearn.metrics import r2_score
import data_test_1 as dt

def train_modl_(x,df):

    df=dt.dataset_read(df)

    x_train,x_test,y_train,y_test=dt.dataset_proc(df)

    model = Lasso(alpha=x)

    model.fit(x_train, y_train)

    predicted = model.predict(x_test)

    score = r2_score(y_test, predicted)

    return score

调参

import train_modl_1 as tm
import numpy as np
import matplotlib.pyplot as plt
import tushare as ts

pro = ts.pro_api()
df = pro.daily(ts_code='000001.SZ', start_data='20181109', end_data='20181110')
#df = pro.query('daily', ts_code='000001.SZ', start_date='20180701', end_date='20180718')#可以正常使用的

print(np.array(df).shape)
a=np.arange(0.0005,0.5,0.0005)

soc=[]
for i in range(0,999):
    x=tm.train_modl_(a[i],df)
    soc.append(x)
    if i%10==0:
        print(i)
soc=np.array(soc)


plt.plot(a,soc,color='red')
plt.xlabel('alpha')
plt.ylabel('r2')
plt.show()
CATALOG
    FEATURED TAGS
    c语言 c++ 面向对象 指针 容器 python 函数 数据结构 回归 损失函数 神经网络 机器学习 似然函数 极大似然 标准化 深度学习 卷积网络 参数估计 beta分布 数据处理 gradio 模型工程化 网页 模型加速工具 c++实现 变量 占位符 tensorflow 线性回归 学习tensorflow HMM RNN 强化学习 LSTM pandas 不定长序列损失 pytorch 目标检测 RPN 非极大值抑制 ROIpooling VGG16 Transformer BERT Python 装饰器 方法 Pytorch FPN 图像分类 CNN 多模态 生成 GPT Tranformer 生成模型 audio