如何建股票推荐？
先说思路，再给代码（需要导入的模块和设置参数见最后） 思路：使用线性回归建立股票收益与日期、之前一周收益率、成交量、流通市值、BAV（Beta值）的数学模型，再用for循环将每月最后一个交易日作为自变量x，每日的收益作为因变量y进行回归，如果拟合效果较好，则可得到一个预测明日（本月最后一天）股价走势的公式；然后利用这个公式的正负来判断是否该买或该卖。 代码： from import linear_model import numpy as np import pandas as pd # 导入函数 from import forecast
# 导入数据data = pd.read_csv('CHINA_STOCK_ADJUSTED_CLOSE.csv') data['日期'] = pd.to_datetime(data['日期']) # 删除前20个数据（即1999年到2000年之间的数据） index = list(data.index)[-20：] data.drop(index， inplace=True) # 删除列'日期'及'代码' column = ['之前一周收益率'，'成交量'，'流通市值'，'BAV'， '日期'] data = data[column] x = data[['之前一周收益率'，'成交量'， '流通市值'，'BAV']] y = data['日期'] model =linear_model.LinearRegression().fit(x， y) print('R^2：'， model.score(x， y)) 以上是用线性回归建立模型并得到系数的过程（此处为了便于显示系数，把数据缩放到了原始数据的千倍）。下面是用for循环验证模型的过程。注意这里我用了pd.DataFrame.apply()的方法，比在循环体内直接使用model.predict()要快一些！
预测值 = model.predict(x) 真实值 = y.values 预测结果 = [np.where(predicted > 0， 1， -1）.astype(int)] 最终结果 = [list(real_result) + list（predicted_result） for real_result， predicted_result in zip(real_value， predict_value）] final_result = pd.DataFrame({'实际值'： y， '预测值'： final_result}) 最后得到的final_result数据框就是包含每笔交易（每个交易日的收盘价）的预测结果了。可以看到，虽然每笔交易预测的精确度不一样高，但整体上的预测效果还是不错的。用plot()方法画出真实数据和预测数据的散点图，也可以看到大多数情况下预测数据接近于真实数据。 需要注意的是：由于数据量的原因，某些股票的历史数据可能不够完整，这时就用不到这部分历史的收益和数据了。另外，考虑到每周的数据会有一定的滞后性，因此建议将时间序列至少设置为一周。