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。
plt.dsfigure(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() !用;
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;第二种是导入机器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”获取下载本文完整源码&学习nbsp;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,计算复合年预测均增长率 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)+"%")
CAGR = 71 b.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”获取下载本文完整源码 pilrice_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”获取下载本文完整源码ib 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 &ilnbsp;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 plt&nbsi p;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.normal(mu/T,v股价ol/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% quantile =yy 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?
-
健康数据不再“散落一地”!Bevel获1000万美元A轮融资,用AI整合穿戴设备数据,打造你的全天候健康教练Facebook宣布在全球推出Instagram Reels短视频广告服务这娘们不像好人是什么梗微软14B参数模型挑战671B巨型AI 智能体强化学习重新定义数学推理蚂蚁链发布BTN:可将区块链网络吞吐量提升186% 带宽成本降低80%Meta豪掷重金拿下Midjourney授权!扎克伯格AI军备竞赛再下一城未来家庭的 “全职保姆”:擎朗智能发布服务机器人大模型标签: 新东方 俞敏洪 南极 夏古号标签: 闲鱼 武汉 循环商店 华中首店云安全日报210407:Debian HTML清理库发现跨站点脚本漏洞,需要尽快升级
- ·云计算核心技术Docker教程:Docker集群将滚动更新应用于服务
- ·标签: 小米 卢伟冰 米家中央空调
- ·DPU:“劫机”服务器生态
- ·IBM再退一城,云计算害了蓝色巨人?
- ·云计算开发:Python练习实例-字符串输出到磁盘文件"test"中保存
- ·云计算核心技术Docker教程:Docker将配置与 Nginx 服务使用
- ·宾夕法尼亚大学研究发现:对AI越“粗鲁”回答准确率越高
- ·Nord Security联合创始人新创企业Nexos.ai完成3500万美元A轮融资:专注企业AI安全中间层
- ·标签: 三星电子 HBM4 存储芯片 AI硬件
- ·硅基流动上线线蚂蚁集团Ling-mini-2.0,速度与性能双丰收
- ·算力被“特工”耗尽?GitHub Copilot 紧急叫停个人账户注册
- ·l码的裤子是29还是30
- ·腾讯:钱对我来说,就是一堆数字了
- ·标签: 潘欣 美团 多模态AI LongCat
- ·Gemini2.5Computer Use:谷歌推出“看”懂网页的 AI 代理模型
- ·Cursor 2.0震撼发布!自研模型Composer快4倍,8个AI Agent并行编码,开发者效率迎来“核爆级”升级
- ·标签: 魅族科技 58同城 黄先生
- ·百望股份牵手腾讯云 开启企业级Agent能力可信调用新时代
- ·寰�蒋楂樼�瑙h�2021璐㈠勾Q4璐㈡姤锛氫簯涓氬姟澧為暱鏄�暱鏈熸寔涔呯殑
- ·云计算核心技术Docker教程:Docker Hub上的官方图片
- ·标签: 太合音乐集团 港交所上市 百度控股 AI音乐
- ·FriendliAI 获得 2000 万美元融资,AI 模型推理效率提升
- ·iOS26.1Beta3暗示“苹果智能”将集成谷歌Gemini等更多第三方AI模型
- ·谷歌过去3年开除80多名员工:偷看用户数据还暗中监视同事
- ·云计算核心技术Docker教程:强制堆栈跟踪记录
- ·标签: SpaceX 马斯克 纳斯达克 IPO
- ·云计算核心技术Docker教程:将标记的版本推送到 Docker Hub
- ·Salesforce发布Agentforce 360抢占企业AI市场:1.2万客户在手,但95%企业AI试点仍以失败告终
- ·亚马逊云科技陈晓建:云安全防护要像空气和水一样无处不在
- ·云计算开发:Python练习实例-输出所有素数
- ·颠覆百年制药规则!美国双名校联手打造PepMLM:仅凭序列就能造药,63%命中率震撼医学界
- ·机器学习让骨科图像分析更进一步
- ·特朗普签署命令投资5000万美元助力儿童癌症人工智能研究
- ·标签: 百度 DAA AI
- ·生数科技获数亿元融资,视频生成引领AI商业化新潮流
- ·谷歌云2020年营收增至130亿美元 但依旧未能盈利
