《Python數(shù)據(jù)分析與應(yīng)用》第7章 機器學習模型的應(yīng)用 實訓部分(源于大學課程python數(shù)據(jù)分析)

【目的及要求】

以股票價格預(yù)測為主題，利用所學的機器學習方法建立模型對股價進行預(yù)測，股票價格既可以是個股價格，也可以是股票指數(shù)。
1、到知網(wǎng)查閱文獻資料，確定影響因素，即自變量;
2、定義因變量和自變量;
3、收集變量數(shù)據(jù);
4、建立多種回歸預(yù)測模型;
5、對模型結(jié)果進行比評價和比較

1.有下圖文獻所得八個自變量（人民幣兌美元匯率、國民生產(chǎn)總值、貨幣(M1)供應(yīng)量(億元)、一年期存款利率（%）、基本每股收益(元)、凈資產(chǎn)收益率(%)、速動比率(%) 、企業(yè)資產(chǎn)凈值（萬元）、總市值），因變量為收盤價）


2.利用灰色預(yù)測和SVR模型，支持向量機模型、線性回歸模型、梯度回歸模型對股票相關(guān)因子進行建模
（1）灰色預(yù)測和SVR模型






由上圖所得需要利用Lasso回歸方法識別影響股票收盤價格的關(guān)鍵影響因素是國民生產(chǎn)總值、貨幣(M1)供應(yīng)量(億元)、一年期存款利率（%）、基本每股收益(元)、凈資產(chǎn)收益率(%)、企業(yè)資產(chǎn)凈值（萬元）、總市值），因變量為收盤價，剔除兩個自變量（人民幣兌美元匯率、速動比率）



由于上圖可知，方差比率來檢驗隨機游走，方差比越大，說明可預(yù)測性越好；多數(shù)自變量的小殘差概率接近1，說明除了凈資產(chǎn)收益率，其它變量的異常點較少。



由上述評價指標可知，利用可解釋方差值和R方值等相對指標評判效果更好
（2）支持向量機模型





由上述指標可知，支持向量機所建立模型的準確率很低。
（3）線性回歸模型



由于上述指標可知，線性回歸的可解釋方差值為0.70，R方（決定系數(shù)）為0.69
（5）梯度回歸模型


由上述評價指標可知，梯度回歸模型的可解釋方差值和為R方值均為0.98

3.因為平均絕對誤差、均方誤差、中值絕對誤差為絕對數(shù)，評判較為困難，因此主要運用可解釋方差值和R方值。可解釋方差值為越大表示預(yù)測和樣本值的分散分布程度越相近，R方值（決定系數(shù)）計算出來越是接近1，預(yù)測值越接近真實樣本值。因此，綜上所述，梯度回歸的可解釋方差更大，R方值更大，說明梯度回歸模型更適合對股票收盤價的預(yù)測。

總結(jié)

以上是生活随笔為你收集整理的《Python数据分析与应用》第7章 机器学习模型的应用 实训部分的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。