下一步是为验证集创建一个预测，并使用实际值检查RMSE。

做出预测

preds = []

对于我的范围（0,248）：

a = train'close'.sum（） + sum（preds）

B = A/248

preds。（b）

结果计算RMSE

rms = np.sqrt（np.mean（np.power（（（np.Array）（有效['close']） -  preds），2））））））））））））））

RMS

104.548

仅检查RMSE并不能帮助我们了解模型的执行方式。让我们将其可视化以获得更直观的理解。因此，这是预测值与实际值的图。

绘制图片

有效[''] = 0

有效[''] = preds

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

RMSE值接近105，但是结果不是很有希望（从图可以看出）。预测值的范围与验证集中的观测值相同（最初有增加趋势，然后慢慢降低）。

在下一节中，我们将介绍两种常用的机器学习技术 - 线性回归和KNN，并了解它们在我们的股票市场数据上的表现。

2。线性回归简介

可以在此数据上实现的最基本的机器学习算法是线性回归。线性回归模型返回一个方程式，该方程式决定了独立变量和因变量之间的关系。

线性回归的方程式可以写为：

在这里，x1，x2，....xň表示自变量，而系数θ1，θ2，...θñ代表权重。

对于我们的问题描述，我们没有一组自变量。我们只有日期。让我们使用日期列来提取诸如 - 日，月，年，星期一/星期五之类的功能，然后适合线性回归模型。

代码

我们将首先按升序排序数据集，然后创建一个单独的数据集，以便创建的任何新功能都不会影响原始数据。

将索引设置为日期值

df ['date'] = pd。（df.date，='％y-％m-％d'）

df.index = df ['date']

种类

data = df。（= true，axis = 0）

创建一个单独的数据集

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

创建功能

从 。

（， '日期'）

.drop（''，轴= 1，= true）＃将是时间戳

这创建了以下特征：

'年'，'月，“''，'day'，''，''，''，''，''，''，''，'，'，'，'，'，'，'，'，'，'，'，'，'，'，' '， ''， 和 ''。

注意：我使用了库。如果您没有安装它，只需使用命令PIP即可。另外，您可以使用简单的循环创建此功能。我在下面显示了一个示例。

除此之外，我们还可以添加自己认为与预测有关的特征。例如，我的假设是，一周的第一天和最后几天可能会影响股票的收盘价，而远远超过了其他日子。因此，我创建了一项功能，该功能确定某个一天是星期一/星期五还是星期二/星期三/星期四。可以使用以下代码行完成：

[''] = 0

对于I范围（0，len（））：

if（''== 0或''== 4）：

''= 1

别的：

''= 0

如果一周中的一天等于0或4，则列值为1，否则为0。类似地，您可以创建多个功能。如果您对可以有助于预测股票价格的功能有一些想法，请在评论部分中分享它们。

现在，我们将数据分为培训和验证集以检查模型的性能。

分为训练集和验证集

火车= [：987]

有效= [987：]

= Train.Drop（'Close'，Axis = 1）

=火车['关闭']

=有效。drop（'Close'，Axis = 1）

=有效['close']

实现线性回归

从 。

模型=（）

model.fit（，）

对结果进行预测并找到RMSE

preds =模型。（）

rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））

RMS

121.156

RMSE值高于先前的技术，该技术清楚地表明线性回归的性能差。让我们看一下图表，了解为什么线性回归做得不好：

绘制图片

有效[''] = 0

有效[''] = preds

有效index = [987：]。索引

train.index = [：987] .index

plt.plot（train ['close']）

plt.plot（有效[['close'，'']]）

推理

线性回归是一种简单的技术，很容易解释，但是有一些明显的缺点。使用回归算法的一个问题是该模型与日期和月列相匹配。该模型没有从一个月前的同一日期或一年前同一日期/月来考虑以前的值，而是从预测的角度考虑以前的值。

从上图可以看出，股价在2016年1月和2017年1月下降。该模型预测了2018年1月的情况。线性回归技术可以很好地解决诸如大型超市之类的销售问题，其中独立功能对确定目标值。

3. K-邻居简介

这里可以使用的另一种有趣的ML算法是KNN（K最近的邻居）。 KNN发现基于自变量的新数据点和旧数据点之间的相似性。让我用一个简单的例子来解释它。

考虑11人的身高和年龄。根据给定特征（“年龄”和“高度”），该表可以以图形格式表示：如下：

为了确定ID＃11的重量，K-NN考虑了该ID最近邻居的重量。 ID＃11的重量预计将是其邻居的平均值。如果我们现在考虑三个邻居（k = 3），ID＃11的重量将为=（77 + 72 + 60）/3 = 69.66 kg。

代码导入库

从

从 。

从 。

=（=（0，1））

使用上一节中相同的培训和验证集：

比例数据

=。（）

= pd。（）

=。（）

= pd。（）

使用使用的最佳参数

= {''：[2,3,4,5,6,7,8,9]}

knn =。（）

型号=（knn，，cv = 5）

适合模型并进行预测

model.fit（，）

preds =模型。（）

结果查看RMSE值

rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））

RMS

115.721

RMSE值没有太大差异，但是预测和实际值的图应提供更清晰的理解。

绘制图片

有效[''] = 0

有效[''] = preds

plt.plot（有效[['close'，'']]）

plt.plot（train ['close']）

推理

RMSE值几乎与线性回归模型相似，并且图显示了相同的模式。像线性回归一样，KNN也确定了2018年1月的下降，因为这是过去几年的形式。我们可以肯定地说，回归算法在此数据集上的性能差。

让我们继续研究某些时间序列预测技术，以了解它们在面对股价预测挑战时的表现。

4。汽车介绍

Arima是一种非常流行的时间序列预测统计方法。 Arima模型考虑了过去的值以预测未来的价值。 Arima有三个重要参数：

Arima参数调整可能需要大量时间。因此，我们将使用Auto Arima，该Auto Arima会自动选择（P，Q，D）来提供最小错误的最佳组合。

代码

来自.arima

data = df。（= true，axis = 0）

火车=数据[：987]

有效=数据[987：]

=火车['关闭']

=有效['close']

model =（，，= 1，= 1，max_p = 3，max_q = 3，m = 12，= 0，= true，d = 1，d = 1，trace = true，='''，= true）

model.fit（）

=模型。（= 248）

= pd。（，index =有效index，= [''']）

结果

rms = np.sqrt（np.mean（np.power（（np.Array）（有效['close']） -  np.array（[''']），2）））））））））））））））））））））

RMS

44。

绘制图片

plt.plot（train ['close']）

plt.plot（有效['close']）

plt.plot（预测['预测']）

推理

如前所述，自动Arima模型使用过去的数据来了解时间序列中的模式。使用这些值，该模型获得了该系列的增长趋势。尽管使用此技术的预测比以前实现的机器学习模型的预测要好得多，但这些预测仍然不接近实际值。

从该图可以看出，该模型在该系列中捕获了趋势，但并未集中在季节性部分上。在下一节中，我们将实施一个时间序列模型，以考虑该系列的趋势和季节性。

5。简介

可以在库存预测数据集上实现许多时间序列技术，但是在拟合模型之前，大多数这些技术都需要大量的数据预处理。设计和开创性的是一个时间序列预测库，不需要数据预处理，并且非常易于实现。输入是一个具有两个列的数据框架：日期和（DS和Y）。

试图在过去的数据中获得季节性，并在数据集很大时做得很好。

代码导入

从

创造

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

['date'] = pd。（。日期，='％y-％m-％d'）

.index = ['date']

准备数据

。

培训和验证

火车= [：987]

有效= [987：]

使用正确的型号

模型=（）

型号（火车）

预测

= model.e（= len（））

=型号。（）

结果查看RMSE

='yhat'

rms = np.sqrt（np.mean（np.power（（（np.Array））（有效['y']） -  np.Array（）），2）））））））））））））

RMS

57。

绘制图片

有效[''] = 0

有效[''] =。

plt.plot（train ['y']）

plt.plot（有效[['y'，'']]）

推理

（与大多数时间序列预测技术相同）尝试从过去的数据中获得趋势和季节性。该模型通常在时间序列数据集上表现良好，但在这种情况下无法实现其声誉。

事实证明，股价没有具体的趋势或季节性。这在很大程度上取决于当前市场状况，因此价格将上涨。因此，诸如Arima之类的预测技术不会为此特定问题显示出良好的结果。

让我们继续尝试另一种先进的技术 - 长期和短期内存（LSTM）。

6。长期和短期记忆简介（LSTM）

LSTM广泛用于序列预测问题，已被证明非常有效。他们之所以非常有效的原因是，LSTM能够存储过去的重要信息，而忘记了不重要的信息。 LSTM有三扇门：

现在，让我们将LSTM作为黑匣子实现，并在我们的特定数据上检查其性能。

代码导入所需的库

从 。

来自Keras。

来自Keras。密集，LSTM

创造

data = df。（= true，axis = 0）

= pd。（index = range（0，len（df）），= ['date'，'close']）

对于I范围（0，LEN（数据））：

'date'= data'date'

'关闭'= data'close'

设置索引

.index = .date

.drop（'date'，轴= 1，= true）

创建培训和测试集

=。

火车= [0：987，：]

有效= [987：，：]

将数据集转换为X和Y列

=（=（0，1））

=。（）

，= []，[]

对于我的范围（60，Len（火车））：

。（[I-60：i，0]）

。（[i，0]）

，= np.Array（），np.Array（）

= np。（（。

创建和使用LSTM网络

模型=（）

model.Add（lstm（单位= 50，= true，=（。shape [1]，1）））））

ADD（LSTM（单位= 50））

型号（密集（1））

桩（损失=''，='adam'）

model.fit（，，，= 1，= 1，= 2）

使用训练集中的过去60个值预测246个值

= [len（） -  len（有效）-60：]。

=。（-1,1）

=。（）

= []

对于我的范围（60，.shape [0]）：

。（[I-60：i，0]）

= np.array（）

= np。（，（。形状[0]，。shape [1]，1））

=型号。（）

=。（）

结果

rms = np.sqrt（np.mean（np.power（（录用 - ），2），2））））））

RMS

11.，

绘制图片

火车= [：987]

有效= [987：]

有效[''] =

plt.plot（train ['Close']）

plt.plot（有效[['close'，'']]）

推理

LSTM模型可以根据不同的参数进行调整，例如更改LSTM层的数量，添加值或增加时期的数量。但是，LSTM的预测是否足以确定股票价格是在上涨还是下跌？当然不是！

正如我在本文开头提到的那样，股票价格受到有关公司的新闻以及其他因素（例如货币化或公司的合并/拆分）的影响。还有一些无形的因素通常是不可预测的。

结局笔记

时间序列预测是一个非常有趣的领域，正如我在撰写这些文章时意识到的那样。社区中有一种看法，这是一个非常复杂的领域。尽管有些确实更为复杂，但是一旦您掌握了基本技术，它将不那么困难。

本文的作者使用六种方法来预测股票价格波动，并分析了结果模型中每种算法的优点和缺点。从数字可以看出，LSTM方法是最合适的。一种方法，但是股票市场需要考虑许多因素。不仅需要预测一些关键功能。我们可以根据先前数据验证算法，但使用该算法来预测未来的库存上升。损失下降时仍然存在一些风险，因此您仍然应该谨慎使用这些算法。至少没有算法可以预测未来股票的时间序列模型算法100％。最好暂时使用该算法来连续训练，直到未来的技术有一天成熟。

使用和深（用代码）进行库存

# 如何使用RMSE和可视化方法评估模型预测效果及验证集预测步骤详解  # 让我们  # 可以看出  # 我在  # 这是  # 未来  # 创建一个  # 很好  # 是一种  # 在此  # 您可以  # 将是  # 做得  # 可以使用  # 股票市场  # 可以根据  # 先前  # 的是  # 是一个  # 升序  # 是在  # 小说网站怎么推广在贴吧  # 湛江seo排名  # 零售营销推广价格  # 牟平建设网站外包  # 武汉竞价seo  # 龙岗seo优化培训  # 保定产品推广营销  # 高效精准流量seo  # 中山社交媒体营销推广方案  # 营销推广公关活动  # 信阳网络推广seo优化  # 网站怎么自己做优化  # 郑州高端网站建设专家  # 丽水关键词排名企业  # 企业网站建设推广采购  # 茂名网站关键词排名  # 枣庄seo外包策略  # 电网监控seo  # 昭通网站建设的成本  # 顺德营销网站品牌推广招聘 

相关栏目： 【 网站优化151355 】 【 网络推广146373 】 【 网络技术251813 】 【 AI营销90571 】

相关推荐： 广州百度推广费用能退吗？解答常见疑问,新网站的推广  晋中SEO网络推广,助力企业腾飞，抢占市场先机,论坛类网站seo  SEO入门玄关鞋柜隔断,打造家居空间新亮点,宁夏seo技巧平台  河北云优化SEO报价介绍,高效提升网站排名的秘密武器,seo自动优化推广  白山SEO技巧，如何让我的网站在搜索引擎中脱颖而出？,海东市当地网站优化招聘  介绍短|视频|SEO代理价格,如何选择性价比最高的服务,SEO在线引蜘蛛平台  微信上线后悔药功能，误删聊天记录有救啦！网友纷纷点赞   广州百度推广引流助力企业快速发展,郑州抖音推广营销策划  广州百度推广费钱吗？深度分析与实用建议,营销号合作推广自己能做吗  广州百度推广聊天，企业营销新趋势,医疗网络营销推广是什么  衡阳SEO优化之旅，如何让有为太极成为搜索引擎的新宠？,洗衣店营销推广渠道  探索南京SEO网站的奥秘，如何让您的网站在搜索引擎中脱颖而出,宜兴市手机网站建设  网站SEO综合介绍方法,多维介绍与优化步骤,seo写手的缺点  介绍天津SEO行业工资标准,薪资水平与职业发展前景分析,日照外贸seo推广  壮阳药的真相，科学视角下的真实效果与误区,免费推广网站一般多少钱  广州百度推广词条优化指南,珠海搜索网站优化推广  揭秘乐云SEO背后的真相，为何它能够成为行业黑马？,泉州seo哪家好  晋城SEO优化排名攻略,介绍提升网站流量的方法,粤海小企业网站优化  探索未知，我的成长之旅与自媒体营销的奇妙相遇,图片懒惰加载 seo  探索火星软件，开启未来科技生活的新篇章,微博微信营销推广方案  SEO获取流量的必杀技：如何通过优化轻松提升网站排名,德州全网营销推广价格  铁岭SEO推广哪家强介绍优质服务商，助力企业腾飞！,蚌埠seo排名厂家  介绍燕郊SEO服务公司,助力企业腾飞的秘密武器,网站的优化策略怎么写  揭秘SEO秘籍，如何让内容在搜索引擎中脱颖而出？,房山外贸响应式网站建设  SEO获客的秘诀：如何通过搜索引擎优化提升客户获取能力,厦门seo搜索优化排名  探索广州百度推广主页，助力企业数字化营销新突破,营销平台线上推广方案  介绍常州正规SEO报价,如何选择性价比最高的服务,安徽网站建设方案优化  抖音人气爆棚捧红众多网红，想走红容易却也难？且看这位   SEO很多，如何在竞争激烈的市场中脱颖而出？,在SEO优化中  广州企业如何应对百度推广预算不足的挑战,天津口碑营销推广中心  鞍山SEO外包，快速入门的秘诀与策略,大连正规网站seo报价  桐城SEO优化,介绍优秀服务商，助力企业腾飞,新网站优化步骤  揭秘广州百度推广中的猫腻，你真的了解吗？,旅游网站的建设缺陷  SEO优化如何提升网站排名，驾驭搜索引擎流量,三亚网站推广方法  福建百度推广是否可以推广小程序？,重庆做网站建设团队  SEO招标：如何通过专业SEO服务助力企业脱颖而出,牡丹江关键词排名怎么样  SEO数量-如何提升你的网站排名与流量？,射阳seo优化五星服务  介绍过时SEO方法,如何避免陷入优化陷阱,青羊区网站优化哪家好用  福建百度推广服务费一年多少钱？,咸阳市网站建设  SEO要好，网站流量翻倍的关键秘诀,品牌网站建设关键词优化  广州百度推广赔付规则详解,文具店微信营销推广方案  广州百度推广问题解析与解决方案,忠县做网站建设  广州百度推广计费方式解析,鞍山网站建设价格低  SEO与网页,构建搜索引擎优化之路,he2seo4  广州百度推广服务费解析及优化建议,健康养生营销推广  微信转账凭证三步领取，24小时到手！关键时比借条还硬？   淘宝SEO优化攻略,关键词布局与提升店铺排名的方法,长沙开福区seo运营  探索南丰SEO优化公司的奥秘,聊城网站建设工程管理  SEO免费自学教程,从入门到精通的全面指南,云南网站优化什么价格  西安SEO优化代理,助力企业提升网络竞争力,开县网站优化排名