《Python数据分析与应用》第7章 机器学习模型的应用 实训部分

《Python数据分析与应用》第7章 机器学习模型的应用 实训部分(源于大学课程python数据分析)

【目的及要求】

以股票价格预测为主题，利用所学的机器学习方法建立模型对股价进行预测，股票价格既可以是个股价格，也可以是股票指数。
1、到知网查阅文献资料，确定影响因素，即自变量;
2、定义因变量和自变量;
3、收集变量数据;
4、建立多种回归预测模型;
5、对模型结果进行比评价和比较

1.有下图文献所得八个自变量（人民币兑美元汇率、国民生产总值、货币(M1)供应量(亿元)、一年期存款利率（%）、基本每股收益(元)、净资产收益率(%)、速动比率(%) 、企业资产净值（万元）、总市值），因变量为收盘价）


2.利用灰色预测和SVR模型，支持向量机模型、线性回归模型、梯度回归模型对股票相关因子进行建模
（1）灰色预测和SVR模型






由上图所得需要利用Lasso回归方法识别影响股票收盘价格的关键影响因素是国民生产总值、货币(M1)供应量(亿元)、一年期存款利率（%）、基本每股收益(元)、净资产收益率(%)、企业资产净值（万元）、总市值），因变量为收盘价，剔除两个自变量（人民币兑美元汇率、速动比率）



由于上图可知，方差比率来检验随机游走，方差比越大，说明可预测性越好；多数自变量的小残差概率接近1，说明除了净资产收益率，其它变量的异常点较少。



由上述评价指标可知，利用可解释方差值和R方值等相对指标评判效果更好
（2）支持向量机模型





由上述指标可知，支持向量机所建立模型的准确率很低。
（3）线性回归模型



由于上述指标可知，线性回归的可解释方差值为0.70，R方（决定系数）为0.69
（5）梯度回归模型


由上述评价指标可知，梯度回归模型的可解释方差值和为R方值均为0.98

3.因为平均绝对误差、均方误差、中值绝对误差为绝对数，评判较为困难，因此主要运用可解释方差值和R方值。可解释方差值为越大表示预测和样本值的分散分布程度越相近，R方值（决定系数）计算出来越是接近1，预测值越接近真实样本值。因此，综上所述，梯度回归的可解释方差更大，R方值更大，说明梯度回归模型更适合对股票收盘价的预测。