目录

程序简述

程序/数据集下载

数据集截图

核心代码解析(接口，可直接运行)

接口调用、运行效果

Main.py

程序简述

利用灰色预测GM11模型预测股票收盘价，由于灰色预测模型适合短期预测和小样本，所以程序输入数据为5个，输出为1个，进行动态建模

程序输入：原序列、需要往后预测的个数

程序输出：预测值、模型结构(后验差比、发展系数、灰色作用量)

灰色预测模型 (GM11)即对原始数据作累加生成(或其它方法生成)得到近似的指数规律再进行建模的方法。灰色预测模型对于不同问题采用不同模型，模型主要解决生成序列是有指数变化规律，只能描述单调的变化过程。

程序/数据集下载

点击进入下载地址

数据集截图

图1，上证指数股票数据，共7128行，但出于灰色预测的特性，本文只用了最后30个数据做实验

核心代码解析(接口，可直接运行)

程序输入原序列和需要预测个数后会返回模型结构和预测值

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

def GM11(x,n):

'''

灰色预测

x：序列，numpy对象

n:需要往后预测的个数

'''

x1 = x.cumsum()#一次累加

z1 = (x1[:len(x1) - 1] + x1[1:])/2.0#紧邻均值

z1 = z1.reshape((len(z1),1))

B = np.append(-z1,np.ones_like(z1),axis=1)

Y = x[1:].reshape((len(x) - 1,1))

#a为发展系数 b为灰色作用量

[[a],[b]] = np.dot(np.dot(np.linalg.inv(np.dot(B.T, B)), B.T), Y)#计算参数

result = (x[0]-b/a)*np.exp(-a*(n-1))-(x[0]-b/a)*np.exp(-a*(n-2))

S1_2 = x.var()#原序列方差

e = list()#残差序列

for index in range(1,x.shape[0]+1):

predict = (x[0]-b/a)*np.exp(-a*(index-1))-(x[0]-b/a)*np.exp(-a*(index-2))

e.append(x[index-1]-predict)

S2_2 = np.array(e).var()#残差方差

C = S2_2/S1_2#后验差比

if C<=0.35:

assess = '后验差比<=0.35，模型精度等级为好'

elif C<=0.5:

assess = '后验差比<=0.5，模型精度等级为合格'

elif C<=0.65:

assess = '后验差比<=0.65，模型精度等级为勉强'

else:

assess = '后验差比>0.65，模型精度等级为不合格'

#预测数据

predict = list()

for index in range(x.shape[0]+1,x.shape[0]+n+1):

predict.append((x[0]-b/a)*np.exp(-a*(index-1))-(x[0]-b/a)*np.exp(-a*(index-2)))

predict = np.array(predict)

return {

'a':{'value':a,'desc':'发展系数'},

'b':{'value':b,'desc':'灰色作用量'},

'predict':{'value':result,'desc':'第%d个预测值'%n},

'C':{'value':C,'desc':assess},

'predict':{'value':predict,'desc':'往后预测%d个的序列'%(n)},

}

if __name__ == "__main__":

data = np.array([1.2,2.2,3.1,4.5,5.6,6.7,7.1,8.2,9.6,10.6,11,12.4,13.5,14.7,15.2])

x = data[0:10]#输入数据

y = data[10:]#需要预测的数据

result = GM11(x,len(y))

predict = result['predict']['value']

predict = np.round(predict,1)

print('真实值:',y)

print('预测值:',predict)

print(result)

接口调用、运行效果

Main.py

以上证指数为例，进行灰色预测建模，效果勉强，数据集的选择和预测长度很重要

# -*- coding: utf-8 -*-

from Module.BuildModel import GM11

from sklearn.metrics import mean_absolute_error

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import os

#路径目录

baseDir = os.path.dirname(os.path.abspath(__file__))#当前目录

staticDir = os.path.join(baseDir,'Static')#静态文件目录

resultDir = os.path.join(baseDir,'Result')#结果文件目录

#读取数据

data = pd.read_csv(staticDir+'/000001.csv',encoding='gbk')

train = data['收盘价'].values[-15:-10]#训练数据

test = data['收盘价'].values[-10:]#测试数据

#GM11动态建模

yPre = []

for i in range(test.shape[0]):

#只预测1个数

result = GM11(train,1)

yPre.append(result['predict']['value'][0])

#更新训练集

train = train.tolist()[:-1]

train.append(test[i])

train = np.array(train).reshape(-1)

#计算MAE

MAE = mean_absolute_error(test,yPre)

#打印模型

print(result['C']['desc'])

print(result['a']['desc'],np.round(result['a']['value'],2))

print(result['b']['desc'],np.round(result['b']['value'],2))

#可视化

#用来正常显示中文标签

plt.rcParams['font.sans-serif']=['SimHei']

#用来正常显示负号

plt.rcParams['axes.unicode_minus']=False

plt.plot(range(test.shape[0]),yPre,label="预测值")

plt.plot(range(test.shape[0]),test,label="观测值")

plt.legend()

plt.title('GM11预测效果，MAE：%2f'%MAE)

plt.savefig(resultDir+'/GM11预测效果.png',dpi=100,bbox_inches='tight')

图2，程序输出，模型结构

图3，预测值和观测值对比折线图，对于短期预测GM11表现良好