線性回歸在整個(gè)財(cái)務(wù)中廣泛應(yīng)用于眾多應(yīng)用程序中。在之前的教程中，我們使用普通最小二乘法（OLS）計(jì)算了公司的beta與相對(duì)索引的比較。現(xiàn)在，我們將使用線性回歸來(lái)估計(jì)股票價(jià)格。

線性回歸是一種用于模擬因變量（y）和自變量（x）之間關(guān)系的方法。通過(guò)簡(jiǎn)單的線性回歸，只有一個(gè)自變量x。可能有許多獨(dú)立變量屬于多元線性回歸的范疇。在這種情況下，我們只有一個(gè)自變量即日期。對(duì)于第一個(gè)日期上升到日期向量長(zhǎng)度的整數(shù)，該日期將由1開始的整數(shù)表示，該日期可以根據(jù)時(shí)間序列數(shù)據(jù)而變化。當(dāng)然，我們的因變量將是股票的價(jià)格。為了理解線性回歸，您必須了解您可能在學(xué)校早期學(xué)到的相當(dāng)基本的等式。

y = a + bx

• Y =預(yù)測(cè)值或因變量
• b =線的斜率
• x =系數(shù)或自變量
• a = y截距

從本質(zhì)上講，這將構(gòu)成我們對(duì)數(shù)據(jù)的最佳擬合。在OLS過(guò)程中通過(guò)數(shù)據(jù)集繪制了大量線條。該過(guò)程的目標(biāo)是找到最佳擬合線，最小化平方誤差和（SSE）與股票價(jià)格（y）的實(shí)際值以及我們?cè)跀?shù)據(jù)集中所有點(diǎn)的預(yù)測(cè)股票價(jià)格。這由下圖表示。對(duì)于繪制的每條線，數(shù)據(jù)集中的每個(gè)點(diǎn)與模型輸出的相應(yīng)預(yù)測(cè)值之間存在差異。將這些差異中的每一個(gè)加起來(lái)并平方以產(chǎn)生平方和。從列表中，我們采用最小值導(dǎo)致我們的最佳匹配線。考慮下圖：

第一部分：獲取數(shù)據(jù)：

            
from matplotlib import style
 
from sklearn.linear_model import LinearRegression
 
from sklearn.model_selection import train_test_split
 
import quandl
 
import datetime
 
style.use('ggplot')
 
#Dates
 
start_date = datetime.date(2017,1,3)
 
t_date=start_date, end_date=end_date, collapse="daily")
 
df = df.reset_index()
 
prices = np.reshape(prices, (len(prices), 1))
          

第二部分：創(chuàng)建一個(gè)回歸對(duì)象：

            
', linewidth=3, label = 'Predicted Price') #plotting the line made by linear regression
 
plt.title('Linear Regression | Time vs. Price')
 
plt.legend()
 
predicted_price =regressor.predict(date)
          

輸出：

預(yù)測(cè)日期輸入價(jià)格：

創(chuàng)建訓(xùn)練/測(cè)試集

            
et
 
xtrain, x , ytrain)
 
#Train
 
plt.title('Linear Regression | Time vs. Price')
 
#Test Set Graph
 
plt.scatter(xtest, ytest, color='yellow', label= 'Actual Price') #plotting the initial datapoints
 
plt.plot(xtest, regressor.predict(xtest), color='blue', linewidth=3, label = 'Predicted Price') #plotting
 
plt.show()
          

輸出：

測(cè)試集：

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。