numpy之线性预测

线性预测:通过一组yi'zhi已知输入和输出可以构建出一个简单的线性方程,这样可以把预测输入带入线性方程从而求得预测输出,达到数据预测的目的。

Numpy提供的求解线性方程组模型参数的API为np.linalg.lstsq(A,B)[0]

示例代码:

import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

'''
    基于线性预测,预测收盘价格----以6天的历史数据为样本
'''


# 日期转化函数
def dmy2ymd(dmy):
    # 把dmy格式的字符串转化成ymd格式的字符串
    dmy = str(dmy, encoding='utf-8')
    d = dt.datetime.strptime(dmy, '%d-%m-%Y')
    d = d.date()
    ymd = d.strftime('%Y-%m-%d')
    return ymd


dates, opening_prices, highest_prices, lowest_prices, closing_prices = \
    np.loadtxt('./da_data/aapl.csv', delimiter=',', usecols=(1, 3, 4, 5, 6), unpack=True,
               dtype='M8[D], f8, f8, f8, f8', converters={1: dmy2ymd})  # converters为转换器,运行时先执行,其中1表示时间所在的列索引号

# 绘制收盘价折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('date', fontsize=12)
mp.ylabel('closing_pricing', fontsize=12)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
# 设置x轴的刻度定位器,使之更适合显示日期数据
ax = mp.gca()
# 以周一作为主刻度
ma_loc = md.WeekdayLocator(byweekday=md.MO)
# 次刻度,除周一外的日期
mi_loc = md.DayLocator()
ax.xaxis.set_major_locator(ma_loc)
ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d'))
ax.xaxis.set_minor_locator(mi_loc)
# 日期数据类型转换,更适合绘图
dates = dates.astype(md.datetime.datetime)
mp.plot(dates, closing_prices, linewidth=2, linestyle='--', color='dodgerblue', label='AAPL', alpha=0.3)

# 实现线性预测
N = 3
# 计算预测股价数组
pred_prices = np.zeros(closing_prices.size - 2 * N + 1)
for i in range(pred_prices.size):
    # 整理A与B,通过lstsq方法求得模型参数
    A = np.zeros((N, N))  # 3x3的二位数组
    for j in range(N):
        A[j,] = closing_prices[i + j:i + j + N]
    B = closing_prices[i + N:i + N * 2]
    # 计算模型参数
    X = np.linalg.lstsq(A, B)[0]
    # 预测第七天收盘价
    pred = B.dot(X)  # 点积---对应位置相乘再相加
    pred_prices[i] = pred

# 绘制预测股价的折线图
mp.plot(dates[2 * N:], pred_prices[:-1], 'o-', color='lime', label='Predicts')
mp.tight_layout()
mp.legend()
# 自动格式化x轴日期的显示格式(以最合适的方式显示)
mp.gcf().autofmt_xdate()
mp.show()

  numpy之线性预测_第1张图片

 

 

线性拟合:可以寻求与一组散点走向趋势相适应的线性表达式方程,在Python中,通过np.linalg.lstsq(A,B)求得k与b,使得所有样本点到直线的误差最小,这样找到的直线即为线性拟合得到的结果。

示例代码:

  

import numpy as np
import matplotlib.pyplot as mp
import datetime as dt
import matplotlib.dates as md

'''
    线性拟合:通过计算每天的趋势价格(最高价,收盘价和最低价的平均值),拟合一条随时间变化的趋势线
'''


# 日期转化函数
def dmy2ymd(dmy):
    # 把dmy格式的字符串转化成ymd格式的字符串
    dmy = str(dmy, encoding='utf-8')
    d = dt.datetime.strptime(dmy, '%d-%m-%Y')
    d = d.date()
    ymd = d.strftime('%Y-%m-%d')
    return ymd


dates, opening_prices, highest_prices, lowest_prices, closing_prices = \
    np.loadtxt('./da_data/aapl.csv', delimiter=',', usecols=(1, 3, 4, 5, 6), unpack=True,
               dtype='M8[D], f8, f8, f8, f8', converters={1: dmy2ymd})  # converters为转换器,运行时先执行,其中1表示时间所在的列索引号

# 绘制收盘价折线图
mp.figure('AAPL', facecolor='lightgray')
mp.title('AAPL', fontsize=18)
mp.xlabel('date', fontsize=12)
mp.ylabel('closing_pricing', fontsize=12)
mp.tick_params(labelsize=10)
mp.grid(linestyle=':')
# 设置x轴的刻度定位器,使之更适合显示日期数据
ax = mp.gca()
# 以周一作为主刻度
ma_loc = md.WeekdayLocator(byweekday=md.MO)
# 次刻度,除周一外的日期
mi_loc = md.DayLocator()
ax.xaxis.set_major_locator(ma_loc)
ax.xaxis.set_major_formatter(md.DateFormatter('%Y-%m-%d'))
ax.xaxis.set_minor_locator(mi_loc)
# 日期数据类型转换,更适合绘图
dates = dates.astype(md.datetime.datetime)
mp.plot(dates, closing_prices, linewidth=2, linestyle='--', color='dodgerblue', label='AAPL', alpha=0.3)

# 计算每天的趋势价格
trend_prices = (highest_prices + lowest_prices + closing_prices) / 3
# 绘制每天的趋势点
mp.scatter(dates, trend_prices, s=60, c='orangered', marker='o', label='Trend Points')
# 线性拟合,绘制趋势线,参数A,B
days = dates.astype('M8[D]').astype('int32')
# 把一组x坐标与一组1并在一起,构建A矩阵
A = np.column_stack((days, np.ones_like(days)))
B = trend_prices
kb = np.linalg.lstsq(A, B)[0]
# 绘制趋势线
y = kb[0] * days + kb[1]
mp.plot(dates, y, c='orangered', linewidth=3, label='Trend Line')
print(kb)

mp.tight_layout()
mp.legend()
# 自动格式化x轴日期的显示格式(以最合适的方式显示)
mp.gcf().autofmt_xdate()
mp.show()

  numpy之线性预测_第2张图片

 

转载于:https://www.cnblogs.com/yuxiangyang/p/11163469.html

你可能感兴趣的:(numpy之线性预测)