yyds!用机器学习预测 bilibili 股价走势
本文主要讲解用Python分析哔哩哔哩股价,通过对股票数据进行基础分析,结合运用matplotlib绘图库进行可视化,并用机器学习方法 — 蒙特卡洛模拟预测未来一年股价走势。 安装 我们需要安装numpy、pandas、matplotlib、scipy等Python数据科学工具包。 #关注公众号:宽客邦,回复“源码”获取下载本文完整源码 import numpy as np import pandas as pd from math import sqrt import matplotlib.pyplot as plt from scipy.stats import norm from pandas_datareader import data 选取哔哩哔哩(股票代码:BILI)2018年上市到现在2021年的数据进行分析,数据来自雅虎。这里使用pd.to_dateyytime将数据集时间转化为时间序列,便于股票的分析。 BILI = data.DataReader('BILI', 'yahoo',start='29/3/2018',) BILI.index=pd.to_datetime(BILI.index) 首先用head()方法看一下数据集的结构,数据集包含了股票的开盘价、收盘价、每日最低价与最高价、交易量等信息。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。 开盘价走势 我们可以通过 matplotlib 进行数据可视化,plt.legend用于设置图像的图例,loc是图例位置,upper right代表图例在右上角。从图中可以看出哔哩哔哩股票在2020年12月到2021年2月之间有一个快速的增长,随后股价有所回落。 plt.figure(figsize=(16,6)) BILI['Open'].plot() plt.legend(['BILI'],loc='upper right') 股票成交量 我们再来看一下股票的成交量。 pldst.figure(figsize=(16,6)) BILI['Volume'].plot() plt.legend(['BILI'],loc='upper right') plt.xlim(BILI.index[0],BILI.index[-1]) 股票交易总额 我们再分析以下股票的交易总额。从图中可以很明显看出2021年1月到5月间某一天交易总额创历史新高。 BILI['Total Traded']=BILI['Open']*BILI['Volume'] plt.figure(figsize=(16,6)) BILI['Total Traded'].plot() plt.legend(['BILI'],loc='upper right') plt.xlim(BILI.index[0],BILI.index[-1]) 下面我们来通过argmax()获取最大交易总额的日期。 BILI['Total Traded'].argmax()&nbs!用p; 输出结果如下: Timestamp('2021-02-25 00:00:00') 我们搜索新闻可以发现,2021年2月25日哔哩哔哩(NASDAQ: BILI)公布了截至2020年12月31日的第四季度和全年未经审计的财务报告。财报发布后,B站在美股的盘后股价一度涨超5%。 收盘价及其移动平均线 下面绘制BILI这支股票的收盘价及其移动平均线,我们可以用DataFrame的rolling()函数得到移动平均值。 BILI['Close'].plot(figsize=(16,6),xlim=(BILI.index[0],BILI.index[-1])) BILI['Close'].rolling(50).mean().plot(label='BILI MA50') BILI['Close'].rolling(200).mean().plot(label='BILI MA200') plt.legend() 股票的收益率 下面我们计算每支股票的日收益率,并用直方图进行展示。这里了三种方法来计算日收益率,第一种是直接使用计算公式计算;第二机器种是导入专用于金融领域的第三方库ffn.to_returns函数计算;第三种是利用pandas自带的函数pct_change(1)进行计算。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。 #关注公众号:宽客邦,回复“源码”获取完整源码,直接使用计算公式计算 BILI['Return']=(BILI['Close']-BILI['Close'].shift(1))/BILI['Close'].shift(1) BILI=BILI.dropna() #导入专用于金融领域的第三方库ffn.to_returns函数计算 import ffn BILI['Return']=ffn.to_returns(BILI['Close']) #利用pandas自带的函数pct_change(1)进行计算 BILI['Return']=BILI['Close'].pct_change() BILI=BILI.dropna() #关注公众号:宽客邦,回复“源码”获取下载本学习文完整源码 plt.hist(BILI['Return'],bins=50) 也可以用箱图观察收益率 box_df = pd.concat([BILI['Return']],axis=1) box_df.columns = ['BILI Returns'] box_df.plot(kind='box',figsize=(8,11),colormap='jet') 绘制股票的累计收益率 BILI['Cumulative Return']=(1+BILI['Return']).cumprod() BILI['Cumulative Return'].plot(label='BILI',figsize=(16,8),title='Cumulative Return') plt.legend() 股票的复合年均增长率和收益的年度波动率 计算股票的复合年均增长率和收益的年度波动率。 #关注公众号:宽客邦,回复“源码”获取完整源码,计算预测复合年均增长率 days = (BILI.index[-1] - BILI.index[0]).days cagr = ((((BILI['Adj Close'][-1]) / BILI['Adj Close'][1])) ** (365.0/days)) - 1 print ('CAGR =',str(round(cagr)*100)+"%") mu = cagr #计算收益的年度波动率 BILI['Returns'] = BILI['Adj Close'].pct_change() vol = BILI['Returns']*sqrt(252) print ("Annual Volatility =",str(round(vol,4)*100)+"%") C bAGR = 71.72%Annual Volatility = 65.14% 用蒙特卡洛模拟预测股票走势 我们来预测未来一个交易年度(252 天)内潜在价格序列演变的单一模拟,基于遵循正态分布的每日收益随机的抽取。由第一个图表中显示的单线系列表示。第二个图表绘制了一年期间这些随机每日收益的直方图。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。 S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格) T = 252 #交易天数 mu = 0.7172 #复合年均增长率 vol = 0.6514 #年度波动率 #关注公众号:宽客邦,回复“源码”获取完整源码,使用随机正态分布创建每日收益列表 daily_returns=np.random.normal((mu/T),vol/math.sqrt(T))+1 #关注公众号:宽客邦,回复“源码”获取下载本文完il整源码 price_list = [S] for x in daily_returns: price_list.append(price_list[-1]*x) #生成价格序列的折线图 plt.plot(price_list) plt.show() 生成每日收益的直方图 plt.hist(daily_returns-1, 100) plt.show() 1000次模拟预测未来哔哩哔哩股价走势。 import numpy as np import math import matplotlib.pyplot as plt from scipy.stats import norm #关注公众号:宽客邦,回复“源码”获ib取下载本文完整源码 S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格) T = 252 #交易天数 mu = 0.7172 #复合年均增长率 vol = 0.6514 #年度波动率 #选择要模拟的运行次数 - 我选择1000 for i in range(1000): #使用随机正态分布创建每日收益列表 daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1 #设置起始价格并创建由上述随机每日收益生成的价格列表 &nbilsp; price_list = [S] for x in daily_returns: price_list.append(price_list[-1]*x) #绘制来自每个单独运行的数据,我们将在最后绘制 plt.plot(price_list) #显示上面创建的多个价格系列的图 plt.show() 10000次模拟预测未来哔哩哔哩股价走势。 import numpy as np import math import matplotlib.pyplot as&ni bsp;plt from scipy.stats import norm #关注公众号:宽客邦,回复“源码”获取下载本文完整源码 result = [] #定义变量 S = BILI['Adj Close'][-1] #起始股票价格(即最后一天的实际股票价格) T = 252 #交易天数 mu = 0.7172 #复合年均增长率 vol = 0.6514 #年度波动率 #选择要模拟的运行次数 - 选择10000 for i in range(10000): #使用随机正态分布创建每日收益列表 daily_returns=np.random.norm股价al(mu/T,vol/math.sqrt(T))+1 #设置起始价格并创建由上述随机每日收益生成的价格列表 price_list = [S] for x in daily_returns: price_list.append(price_list[-1]*x) #绘制来自每个单独运行的数据,我们将在最后绘制 plt.plot(price_list)  走势; #将每次模拟运行的结束值附加到我们在开始时创建的空列表中 result.append(price_list[-1]) #显示上面创建的多个价格系列的图 plt.show() 为我们的多重模拟创建股票收盘价的直方图。 plt.hist(result,bins=50) plt.show() 用numpy mean函数计算平均值的分布,以获得我们的“预期值”。 print(round(np.mean(result))) 139.18用 numpy 的“percentile”函数来计算 5% 和 95% 的分位数 print("5% quantile =",np.percentile(result,5))print("95% quantile =",np.percentile(result,95)) 5% quyyantile = 38.33550814175252 95% quantile = 326.44060907630484 在直方图上快速绘制我们刚刚计算的两个分位数,以给我们一个直观的表示。 plt.hist(result,bins=100) plt.axvline(np.percentile(result,5), color='r', linestyle='dashed') plt.axvline(np.percentile(result,95), color='r', linestyle='dashed') plt.show() 从上面的结果我们得知:哔哩哔哩(BILI)的股价有5%的可能性最终会低于38.33美元,有5%的可能性会高于326.44美元。那么你是否愿意冒5%的风险获得股价低于38.33美元的损失,来追逐股价高于326.44美元的回报收益呢?
- 最近发表
- 随机阅读
-
- MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶
- 标签: 毫末智行 长城汽车 高瓴投资 自动驾驶
- 标签: CNN 特德·特纳 特朗普 马克·汤普森
- 商汤科技推出Claude API用户迁移计划 提供5000万Token免费体验
- 标签: 华为 鸿蒙座舱 MoLA 问界
- 快20倍!谷歌AI推TensorFlow 3D,智能汽车好用
- 云计算核心技术Docker教程:清理未使用的Docker对象
- 标签: SK海力士 HBM DRAM AI芯片
- 抖音上线 “AI求真” 功能,助你辨别谣言,寻找真相!
- 标签: 光帆科技 AI耳机 联想 小鹏汽车
- 云计算开发:Python3数学函数pow()方法详解
- 标签: 一汽-大众 董修惠 陈彬 一汽丰田
- 标签: 小度 超能小度 音色设置 百度
- 马蜂窝春节大数据:2026“年味儿”热门目的TOP10出炉
- 标签: Sea Expandary 刘强东 游艇产业 京东
- 标签: 欢聚集团 BIGO Ads Bigo Live 李婷
- AI助手新突破!通义千问Qwen Chat Memory 正式上线,能 “记住” 你的每一次对话!
- 意大利出版商投诉谷歌 AI 概述,呼吁改善新闻可见性
- 标签: 赵明 千里科技 极氪8X 特斯拉
- 深度学习如炼丹,你有哪些迷信做法?网友:Random seed=42结果好
- 搜索
-
- 友情链接