python：一元线性回归分析实例：时间序列分段

一元线性回归分析实例：时间序列分段

以沪深300指数基金净值为例
基金净值数据格式：date,jz,ljjz
2019-01-02,1.0194,1.0194
2019-01-03,1.0177,1.0177
linear_mod_2.py

# coding=utf-8
import os, sys
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import LinearRegression# python一元线性回归分析实例：指数基金净值
if len(sys.argv) ==2:fcode = sys.argv[1]
else:print('usage: python linear_mod_2.py fcode ')sys.exit(1)if len(fcode) !=6:print(' fcode is char(6)')sys.exit(2)file1 = "./" +fcode +'.csv'
if not os.path.exists(file1):print(file1 +' is not exists.')sys.exit(3)# 用pandas读取csv
df = pd.read_csv(file1)
df = df[ df['date'] > '2019-01-01']
df.index = pd.to_datetime(df.date)
y = df['jz'].values # 基金净值
x = np.arange(0,len(y),1)# 构造X列表和Y列表，reshape(-1,1)改变数组形状，为只有一个属性
x = x.reshape(-1,1)
y = y.reshape(-1,1)# 时间序列分段1
df1 = df[ df['date'] < '2019-04-20']
y1 = df1['jz'].values # 基金净值
x1 = np.arange(0,len(y1),1)
x1 = x1.reshape(-1,1)
y1 = y1.reshape(-1,1)
begin = len(y1)
# 时间序列分段2
dates = pd.date_range('2019-04-20','2019-06-09')
df2 = df[ df.index.isin(dates.values)]
y2 = df2['jz'].values # 基金净值
x2 = np.arange(begin, begin+len(y2),1)
x2 = x2.reshape(-1,1)
y2 = y2.reshape(-1,1)
begin = begin+len(y2)
# 时间序列分段3
dates = pd.date_range('2019-06-10','2020-01-24')
df3 = df[ df.index.isin(dates.values)]
y3 = df3['jz'].values # 基金净值
x3 = np.arange(begin, begin+len(y3),1)
x3 = x3.reshape(-1,1)
y3 = y3.reshape(-1,1)
begin = begin+len(y3)
# 时间序列分段4
dates = pd.date_range('2020-02-03','2020-03-05')
df4 = df[ df.index.isin(dates.values)]
y4 = df4['jz'].values # 基金净值
x4 = np.arange(begin, begin+len(y4),1)
x4 = x4.reshape(-1,1)
y4 = y4.reshape(-1,1)
begin = begin+len(y4)
# 时间序列分段5
dates = pd.date_range('2020-03-06','2020-03-20')
df5 = df[ df.index.isin(dates.values)]
y5 = df5['jz'].values # 基金净值
x5 = np.arange(begin, begin+len(y5),1)
x5 = x5.reshape(-1,1)
y5 = y5.reshape(-1,1)
begin = begin+len(y5)
# 时间序列分段6
dates = pd.date_range('2020-03-21','2020-07-11')
df6 = df[ df.index.isin(dates.values)]
y6 = df6['jz'].values # 基金净值
x6 = np.arange(begin, begin+len(y6),1)
x6 = x6.reshape(-1,1)
y6 = y6.reshape(-1,1)
begin = begin+len(y6)
# 时间序列分段7
df7 = df[ df['date'] > '2020-07-11']
y7 = df7['jz'].values # 基金净值
x7 = np.arange(begin, begin+len(y7),1)
x7 = x7.reshape(-1,1)
y7 = y7.reshape(-1,1)
begin = begin+len(y7)# 构造回归对象
model = LinearRegression()
model.fit(x1, y1)
Y1 = model.predict(x1) # 获取预测值
model.fit(x2, y2)
Y2 = model.predict(x2)
model.fit(x3, y3)
Y3 = model.predict(x3)
model.fit(x4, y4)
Y4 = model.predict(x4)
model.fit(x5, y5)
Y5 = model.predict(x5)
model.fit(x6, y6)
Y6 = model.predict(x6)
model.fit(x7, y7)
Y7 = model.predict(x7)# 构造返回字典
predictions = {}
predictions['intercept'] = model.intercept_  # 截距值
predictions['coefficient'] = model.coef_   # 回归系数（斜率值）
#predictions['predict_value'] = Y7
print(predictions)# 绘图
fig, ax = plt.subplots(figsize=(10,6))
# 绘出已知数据散点图
#plt.scatter(x, y, color ='blue')
# 绘曲线图
ax.plot(x, y, '-', label='jz')  # 基金净值
# 绘出预测直线
ax.plot(x1, Y1, 'r--.', label='fit1')
ax.plot(x2, Y2, 'g--.', label='fit2')
ax.plot(x3, Y3, 'r--.', label='fit3')
ax.plot(x4, Y4, 'r--.', label='fit4')
ax.plot(x5, Y5, 'g--.', label='fit5')
ax.plot(x6, Y6, 'r--.', label='fit6')
ax.plot(x7, Y7, 'y--.', label='fit7')
ax.legend(loc='upper left')
plt.title('predict fund net value: ' +fcode)
plt.xlabel('x')
plt.ylabel('jz')
plt.grid()
plt.show()

以沪深300指数基金净值为例

运行 python linear_mod_2.py 660008

python tushare 读取股票数据并存盘

以股票 000063 中兴通讯为例
运行 python stock1.py 000063

将 'jz' 全替换为 'close' 就可以为股票收盘价做一元线性回归分析

运行 python linear_mod_2.py 000063

python：一元线性回归分析实例：时间序列分段相关推荐

[Python] 一元线性回归分析实例
本文通过一个简单的例子:预测房价,来探讨怎么用python做一元线性回归分析. 1. 预测房价房价是一个很火的话题,现在我们拿到一组数据,是房子的大小(平方英尺)和房价(美元)之间的对应关系,如下( ...
python：一元线性回归分析实例：基金净值
一元线性回归分析实例: 以沪深300指数基金净值为例基金净值数据格式: date,jz,ljjz 2019-01-02,1.0194,1.0194 2019-01-03,1.0177,1.0177 ...
python对于一元线性回归模型_Python一元线性回归分析实例：价格与需求的相关性...
来自烟水暖的学习笔记回归分析(Regression analysis) 回归分析(Regression analysis),是研究因变量与自变量之间相关性的一种数学方法,并将相关性量化,即得到回归方 ...
excel多元线性拟合_Python一元线性回归分析实例：价格与需求的相关性
来自烟水暖的学习笔记回归分析(Regression analysis) 回归分析(Regression analysis),是研究因变量与自变量之间相关性的一种数学方法,并将相关性量化,即得到回归方 ...
基于Python的地理数据分析之一元线性回归分析-数学原理02.md
行成于思毁于随,业精于勤荒于嬉. 文章目录前言 1. 声明 2. 版本 2.1 山东青岛,Version 1 3. 关键词一.最小二乘法 1. 什么是最小二乘法 1.1 公式表达 2. 最小 ...
在python中使用最小二乘法画出拟合曲线_基于jupyter notebook的python编程-----运用最小二乘法，导入文件数据模拟一元线性回归分析...
基于jupyter notebook的python编程-----运用最小二乘法,导入文件数据模拟一元线性回归分析用最小二乘法模拟一元线性回去曲线的目录一.运行jupyter notebook,搭建 ...
python实现一元线性回归分析的全部过程
目标:写清楚一元线性回归分析的全部过程. 一元线性回归分析步骤: 确定变量variable:independent variable and dependent variable 画散点图scatte ...
python对于一元线性回归模型_利用Python进行一元线性回归分析
信管专业小白一枚,通过知乎来记录自己的学习旅程! 这段时间帮学长做了个东东,大体意思是通过09-13年的数值,估算出14年的数值来. 起初用Excel做成.后来想试试用Python做一下估算,也就趁机 ...
python：statsmodels 一元线性回归分析
pip install statsmodels-0.12.0-cp37-none-win_amd64.whl --upgrade 一元线性回归分析: 线性回归也被称为最小二乘法回归(Linear Re ...

python：一元线性回归分析实例：时间序列分段

python：一元线性回归分析实例：时间序列分段相关推荐

最新文章

热门文章