2022年，教你用Python预测茅台股票涨跌

本文摘自清华大学出版《深入浅出Python量化交易实战》一书的年教读书笔记，这里把作者用KNN模式做的用Pn预交易策略，换成了逻辑回归模型，测茅试试看策略的台股业绩会有怎样的变化。

二话不说，票涨上梯子，年教导库拉数据：

import pandas as pd

import pandas_datareader.data as web

import numpy as np

from datetime import datetime

数据甭多了，用Pn预来个3年的测茅：

end = datetime.date.today()

start = end - datetime.timedelta(days = 365*3)

我大A股，最牛X的台股股票，要说是票涨茅台，云服务器没人反对吧?年教那咱搞茅台的行情数据：

cowB = web.DataReader(600519.ss, yahoo, start, end)

cowB.head()

拉下来本仙就惊了，2019年1月的用Pn预时候，大茅台才600多块钱啊!不过估计当时让本仙买，测茅本仙也不敢。台股那时候我大A股过百的票涨股票也没多少吧!

然后我按照书里的方法，做下特征工程：

cowB[open-close] = cowB[Open] - cowB [Close]

cowB [high-low] = cowB [High] - cowB [Low]

cowB [target] = np.where(cowB[Close].shift(-1) >

cowB[Close],1,-1)

cowB = cowB.dropna()

cowB.tail()

然后就多了几列，target里面，1表示次日上涨，-1表示次日下跌：

下面要搞模型了：

x = cowB [[open-close,high-low]]

y = cowB [target]

拆成x和y，然后请出scikit-learn：

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

然后把数据集拆分成训练集和测试集：

x_train, x_test, y_train, y_test = train_test_split(x, y, train_size =

0.8)

看看逻辑回归表现如何：

lr = LogisticRegression()

lr.fit(x_train, y_train)

print(lr.score(x_train, y_train))

print(lr.score(x_test, y_test))

结果发现，还没有书里KNN的分数高：

0.5438898450946644

0.5136986301369864

逻辑回归在训练集里面的服务器托管准确率是54.39%，与书里KNN的准确率基本持平;但是测试集里只有51.37%，比书里的KNN模型低了差不多3个百分点。

折腾了一圈，结果并不满意。按说逻辑回归在分类任务上的表现，应该优于KNN才对啊。难道是本仙的数据噪音太大了?还是说其实这种预测本身意义就不大呢?

源码下载