用机器学习来预测特斯拉股票走势

前言

特斯拉(Tesla)，是一家美国电动车及能源公司，产销电动车、太阳能板、及储能设备，美股代码TSLA。

总部位于美国加利福尼亚州硅谷的帕罗奥多（Palo Alto），2003年最早由马丁·艾伯哈德（Martin Eberhard）和马克·塔彭宁（Marc Tarpenning）共同创立，2004年埃隆·马斯克（Elon Musk）进入公司并领导了A轮融资。

创始人将公司命名为“特斯拉汽车（Tesla Motors）”，以纪念物理学家尼古拉·特斯拉（Nikola Tesla）。

4月21日，摩根大通最新研究报告称，由于来自宝马和奥迪等德国汽车制造商的竞争加剧，特斯拉电动汽车的销量将受严重影响。

摩根大通重申其对特斯拉股票的“减持”评级，原因是梅赛德斯奔驰、宝马和奥迪将推出一大批电动汽车。

“我很难过地告诉大家，特斯拉已经彻底破产了。”4月1日特斯拉CEO马斯克发布了上述推特，还附上了一张伤心状照片。然而更令人伤心的是，上述愚人节的玩笑或一语成谶。

与此同时，特斯拉官方再次宣布将暂停加州佛利蒙的Mode 3组装线4至5天，以提升自动化以此解决导致其多次推迟产量目标的生产瓶颈。

事实上，今年2月份，特斯拉Model 3曾于20日至24日期间停产。由于彼时宣称的停产整修后产能翻倍未能实现，所以此次再度宣布停产后，尽管特斯拉CEO马斯克作出了整修后每月产能6000辆的承诺，仍没能阻止公司股票的应声下跌。

问题陈述和数据集

面对众说纷纭的措辞和潜在的各路竞争对手，TSLA的未来崎岖起伏，那么有可能预测TSLA股票的走势吗？

我们将创建一个机器学习线性回归模型，它从过去的TSLA价格中获取信息，并返回TSLA未来价格的预测。

用Python机器学习预测的步骤

导入库并读取行情数据

定义解释变量

定义因变量

将数据分割成训练和测试数据集

建立线性回归模型

预测TSLA价格

数据集样本

我们选取了TSLA从2010年到2018年的历史成交数据作为样本。

相关库

数据处理

数据样本图例

定义解释变量

解释变量是控制变量，以确定第二天的价格。

简单地说，它们是我们想要用来预测价格的特征。这个策略的解释变量是过去3天和9天的移动平均数。我们使用DROPNA()函数删除NAND值，并将特征变量存储在X中。

不过，你可以将更多的变量添加到X中，比如认为这个因素对预测价格走势是有用的。

这些变量可以是技术指标，另一个ETF的价格，或美国的经济数据。

定义线性回归模型

训练模型和预测

这个过程包含了把数据分离成训练集和测试集

效果评估

我们使用score()函数计算拟合的优度：

基于以上数据集的分数是：97.86

结论

模型的R平方为97.86%，R平方取值在0到100%之间。

接近100%的分数表明，该模型很好地解释了TSLA股价走势。

以上，恭喜你学会了一个基本而强大的机器学习技术！

免责声明：股票市场上的所有投资和交易都涉及风险。任何在金融市场进行交易的决定，包括股票或期权或其他金融工具的交易，都是个人决策，只有在深入研究之后才能做出，包括个人风险和财务评估。本文所述的交易策略或相关信息仅供参考。