【@胡锡进】大模型量化分析- 福耀玻璃 600660.SH

2023-11-21 06:50

本文主要是介绍【@胡锡进】大模型量化分析- 福耀玻璃 600660.SH,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

  • SARIMA模型:
import pandas as pd
import numpy as np
from statsmodels.tsa.statespace.sarimax import SARIMAX# 将日期转换为datetime格式
data['date'] = pd.to_datetime(data['date'], format='%Y%m%d')# 创建SARIMA模型
model = SARIMAX(data['close'], order=(1, 0, 0), seasonal_order=(1, 1, 1, 12))# 拟合模型
model_fit = model.fit()# 预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
forecast = model_fit.get_forecast(steps=3)
predicted_values = forecast.predicted_mean# 输出预测结果
print(predicted_values)
  • 简单移动平均线(SMA)模型:
# 计算简单移动平均线
data['SMA'] = data['close'].rolling(window=7).mean()# 预测未来3天的价格(使用最近7天的平均值作为预测值)
last_7_days = data['close'].tail(7)
predicted_values = np.mean(last_7_days)# 输出预测结果
print(predicted_values)
  • 指数加权移动平均线(EMA)模型:
# 计算指数加权移动平均线
data['EMA'] = data['close'].ewm(span=7, adjust=False).mean()# 预测未来3天的价格(使用最近一个指数加权移动平均值作为预测值)
last_EMA = data['EMA'].iloc[-1]
predicted_values = last_EMA# 输出预测结果
print(predicted_values)
  • Bollinger带模型:
# 计算布林带指标
data['MA'] = data['close'].rolling(window=20).mean()
data['std'] = data['close'].rolling(window=20).std()
data['upper_band'] = data['MA'] + 2 * data['std']
data['lower_band'] = data['MA'] - 2 * data['std']# 预测未来3天的价格(使用最近一个布林带的上轨值作为预测值)
last_upper_band = data['upper_band'].iloc[-1]
predicted_values = last_upper_band# 输出预测结果
print(predicted_values)
  • 相对强弱指标(RSI)模型:
# 计算相对强弱指标
data['delta'] = data['close'].diff()
data['gain'] = np.where(data['delta'] >= 0, data['delta'], 0)
data['loss'] = np.where(data['delta'] < 0, -data['delta'], 0)
data['avg_gain'] = data['gain'].rolling(window=14).mean()
data['avg_loss'] = data['loss'].rolling(window=14).mean()# 计算相对强弱指标
data['RS'] = data['avg_gain'] / data['avg_loss']
data['RSI'] = 100 - (100 / (1 + data['RS']))# 预测未来3天的价格(使用最近一个相对强弱指标值作为预测值)
last_RSI = data['RSI'].iloc[-1]
predicted_values = last_RSI# 输出预测结果
print(predicted_values)
  • 随机指标(KD指标)模型:
# 计算随机指标(KD指标)
data['lowest_low'] = data['low'].rolling(window=9).min()
data['highest_high'] = data['high'].rolling(window=9).max()
data['%K'] = (data['close'] - data['lowest_low']) / (data['highest_high'] - data['lowest_low']) * 100
data['%D'] = data['%K'].rolling(window=3).mean()# 预测未来3天的价格(使用最近一个随机指标值作为预测值)
last_%K = data['%K'].iloc[-1]
predicted_values = last_%K# 输出预测结果
print(predicted_values)
  • 线性回归模型:
from sklearn.linear_model import LinearRegression# 创建线性回归模型
model = LinearRegression()# 准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']# 拟合模型
model.fit(X, y)# 预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
predicted_values = model.predict(X_future)# 输出预测结果
print(predicted_values)
  • 随机森林回归模型:
from sklearn.ensemble import RandomForestRegressor# 创建随机森林回归模型
model = RandomForestRegressor()# 准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']# 拟合模型
model.fit(X, y)# 预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
predicted_values = model.predict(X_future)# 输出预测结果
print(predicted_values)
  • 支持向量回归(SVR)模型:
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler# 创建支持向量回归模型
model = SVR()# 准备训练数据
X = data['date'].values.reshape(-1, 1)
y = data['close']# 特征缩放
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 拟合模型
model.fit(X_scaled, y)# 预测未来3天的价格
future_dates = pd.date_range(start=data['date'].iloc[-1], periods=3, freq='D')
X_future = future_dates.values.reshape(-1, 1)
X_future_scaled = scaler.transform(X_future)
predicted_values = model.predict(X_future_scaled)# 输出预测结果
print(predicted_values)

【@胡锡进】大模型量化分析- 福耀玻璃 600660.SH

这篇关于【@胡锡进】大模型量化分析- 福耀玻璃 600660.SH的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/400584

相关文章

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景