Python线性回归预测股票价格实战指南

晚来风

发布时间：2026-10-13| 2人浏览过

原创

本文详细介绍如何利用Python中的线性回归模型预测股票价格。内容涵盖从数据获取、回归对象创建到训练集与测试集划分的完整流程，并通过具体代码示例展示如何实现最佳拟合线及可视化预测结果，适合希望入门量化分析的开发者参考。

线性回归在股票预测中的应用

线性回归在金融领域有着广泛的应用场景。在前面的教程中，我们曾利用普通最小二乘法（OLS）计算了公司Beta值相对于指数的表现。接下来，我们将演示如何使用线性回归技术来估算股票价格。

线性回归是一种用于模拟因变量（y）与自变量（x）之间关系的方法。简单线性回归仅包含一个自变量x，而多元线性回归则涉及多个独立变量。在本例中，我们仅使用一个自变量，即日期。日期被转换为从1开始、长度等于日期向量长度的整数序列，具体数值可根据时间序列数据调整。相应的，因变量即为股票价格。为了深入理解线性回归，我们需要回顾一个基础的数学公式。

y = a + bx

Y = 预测值或因变量
b = 直线的斜率
x = 系数或自变量
a = y轴截距

线性回归原理与最佳拟合线

从本质上讲，这构成了对数据的最佳拟合线。在OLS过程中，会绘制多条直线穿过数据集。该过程的目标是找到最佳拟合线，使得股票价格（y）的实际值与数据集中所有点的预测股票价格之间的平方误差和（SSE）最小化。这一过程由下图所示。对于绘制的每一条线，数据集中的每个点与模型输出的相应预测值之间存在差异。将这些差异分别平方后求和，得到平方和。从中选取最小值，从而确定我们的最佳匹配线。参考下图：

第一部分：获取数据：

Python实现：数据获取与模型构建


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：创建一个回归对象：


', 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)

输出：

预测日期输入价格：

创建训练/测试集

训练测试集划分与可视化预测


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()

输出：