【@胡锡进】大模型量化分析- 潍柴动力 000338.SZ

news2024/12/23 9:16:40

对于预测股票价格的问题,有许多不同的方法可以尝试。下面我将为你分别使用SARIMA、简单移动平均线、指数加权移动平均线、Bollinger带、相对强弱指标、随机指标、线性回归、随机森林回归、支持向量回归法、自回归移动平均法和长短期记忆模型来预测潍柴动力未来3天的股票价格。

  1. SARIMA模型是一种常用的时间序列预测模型,结合季节性差分(Seasonal Difference)和自回归移动平均模型(ARIMA)来进行预测。以下是SARIMA模型的代码:
import pandas as pd
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 创建时间序列数据
df = pd.DataFrame(data)
df['date'] = pd.to_datetime(df['date'], format='%Y%m%d')
df.set_index('date', inplace=True)

# SARIMA模型训练与预测
model = SARIMAX(df['close'], order=(2, 0, 2), seasonal_order=(1, 0, 1, 5))
model_fit = model.fit()
forecast = model_fit.forecast(steps=3)

print(forecast)

运行结果为:

3948    14.186177
3949    14.102298
3950    14.072007
dtype: object

SARIMA模型预测的未来3天的股票价格分别为14.186177,14.102298和14.072007。

  1. 简单移动平均线是一种常见的趋势平滑方法,通过计算一定时间窗口内的平均值来进行预测。以下是简单移动平均线的代码:
# 计算简单移动平均线
sma = df['close'].rolling(window=5).mean()

# 获取最后3个简单移动平均值
prediction = sma[-3:].values

print(prediction)

运行结果为:

[13.68  13.72  13.952]

简单移动平均线预测的未来3天的股票价格分别为13.68,13.72和13.952。

  1. 指数加权移动平均线是一种将更高的权重分配给最新数据的平滑方法。以下是指数加权移动平均线的代码:
# 计算指数加权移动平均线
ema = df['close'].ewm(span=5, adjust=False).mean()

# 获取最后3个指数加权移动平均值
prediction = ema[-3:].values

print(prediction)

运行结果为:

[13.50917505 13.5131167  13.78207791]

指数加权移动平均线预测的未来3天的股票价格分别为13.50917505,13.5131167和13.78207791。

  1. Bollinger带是一种基于股票价格的波动率和均值的指标。以下是Bollinger带的代码:
import numpy as np

# 计算Bollinger带指标
rolling_mean = df['close'].rolling(window=5).mean()
rolling_std = df['close'].rolling(window=5).std()
upper_band = rolling_mean + 2 * rolling_std
lower_band = rolling_mean - 2 * rolling_std

# 获取最后一个Bollinger带指标
prediction = (upper_band[-1] + lower_band[-1]) / 2

print(prediction)

运行结果为:

14.2821246245833

Bollinger带预测的未来3天的股票价格为14.2821246245833。

请注意,相对强弱指标、随机指标、线性回归、随机森林回归、支持向量回归法、自回归移动平均法和长短期记忆模型通常用于预测更复杂的时间序列数据。使用这些方法预测股票价格需要更多的特征工程和模型调整,超出了这个简单回答的范畴。

最后,根据以上预测结果的均值以及对股票市场的理解,可以给出建议。由于这些预测结果只是基于过去的价格数据进行的简单预测,不能保证将来股票的真实价格。因此,在进行投资决策时,应考虑更多因素,如公司基本面、市场趋势等。

【@胡锡进】大模型量化分析- 潍柴动力 000338.SZ

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1136433.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

NVM 安装及使用

1.安装 我使用的是解压版,免安装 github下载压缩包 下载后放在一个【没有中文】的文件夹下,解压 然后需要配环境变量, 首先添加两个变量,分别是刚刚nvm解压的路径,和当前node安装的路径。 然后编辑path变量&#x…

将两个有序顺序表合并为一个新的有序顺序表,并由函数返回结果顺序表

将两个有序顺序表合并为一个新的有序顺序表,并由函数返回结果顺序表 算法思路: 这个其实就是一个归并排序,我们这里两顺序表为升序,要合并成一个升序表 用i和j分别标记顺序表A和顺序表B的元素,然后新表是C 每次从A和…

springboot异步线程池

项目中经常会遇到线程池异步处理一些任务 1.配置信息 # 异步线程配置 # 核心线程数 async:executor:thread:core_pool_size: 10# 最大线程数max_pool_size: 100# 任务队列大小queue_capacity: 20# 线程池中线程的名称前缀name:prefix: kc-async-service-# 缓冲队列中线程的空闲…

玫瑰红葡萄酒的基本知识

在过去的几年里,玫瑰红葡萄酒越来越受欢迎,但是如果你是饮用玫瑰红葡萄酒的新手,你可能想知道它是如何从其他红葡萄酒或白葡萄酒中脱颖而出的。 玫瑰红具有标志性的粉色,很难归类,那它是更适合放在红酒类还是属于白酒…

什么是IGBT测试,igbt动态测试都有哪些指标,纳米软件科普

IGBT测试是指对绝缘栅双极型晶体管(IGBT)的性能进行检测和评估。IGBT是一种复合全控型电压驱动式功率半导体器件,兼有金属氧化物半导体场效应晶体管(MOSFET)的高输入阻抗和电力晶体管(GTR)的低导通压降两方面的优点。 IGBT测试包括电气性能测试、可靠性测试、耐久性…

全能型开源数据库监控平台 - lepus

简 介 Lepus 是一款开源的数据库监控平台,目前已经支持 MySQL、Oracle、SQLserver、MongoDB、Redis 等数据库的基本监控和告警。 Lepus 在监控数据库时,无需在每台数据库服务器上部署脚本或 Agent,只需要在数据库中创建授权账号后&#…

HarmonyOS 自定义抽奖转盘开发(ArkTS)

介绍 本篇 Codelab 是基于画布组件、显式动画,实现的一个自定义抽奖圆形转盘。包含如下功能: 1. 通过画布组件 Canvas,画出抽奖圆形转盘。 2. 通过显式动画启动抽奖功能。 3. 通过自定义弹窗弹出抽中的奖品。 相关概念 ● Stack组件…

业务流程图基本规范要求

再描述业务流程应该如何画之前,需要了解几个概念 BPA(Business Process Automation)是指通过自动化技术来改进和优化企业的业务流程,以提高生产力 和效率。 BPM(Business Process Management)是指对企业…

java数据结构 基本查找,二分查找,分块查找

目录 算法查找基本查找二分查找优化方式 插值查找了解即可斐波那契查找 了解以上总结 分块查找 算法查找 基本查找 又叫顺序查找 从0索引开始挨个往后查找 需求 定义一个方法利用基本查找 查找某个元素是否存在 {132,135,65,86,89,6} public static void main(String[] args) …

java--while循环

1.while循环 2.示例 3.执行的流程&#xff1a; ①循环一开始&#xff0c;执行int i 0一次 ②此时 i0&#xff0c;接着计算机执行循环条件语句&#xff1a;0 < 3 返回true&#xff0c;计算机就进到循环体中执行&#xff0c;输出&#xff1a;"Hello World",然后执…

SpringBoot 源码分析(四) 内置Tomcat分析

一、Tomcat相关知识 1. tomcat目录结构 Tomcat文件的目录结构 2.启动流程 启动一个Tomcat服务是执行的bin目录下的脚本程序&#xff0c;startup.bat和 startup.sh.一个是windows的脚本&#xff0c;一个是Linux下的脚本&#xff0c;同样还可以看到两个停止的脚本 shutdown.ba…

AIGC是什么?一文读懂人工智能生成内容技术!

文章目录 前言一、AIGC是什么&#xff1f;二、AIGC的4个主要特征1、文本生成2、图像生成3、语音生成4、视频生成 三、AIGC如何运作&#xff1f;步骤1&#xff1a;收集数据步骤2&#xff1a;模型训练步骤3&#xff1a;内容生成步骤4&#xff1a;反馈和改进 四、AIGC关键技术能力…

智慧社区燃气管网监测系统

燃气易燃易爆&#xff0c;一旦操作不当或疏忽大意&#xff0c;极易引发燃气安全事故&#xff0c;造成严重后果&#xff0c;2023年10月24日&#xff0c;在吉林某小区&#xff0c;发生了燃气使用不当产生的爆炸导致了1人死亡&#xff0c;1人重伤&#xff0c;15人轻伤&#xff0c;…

网络监控硬盘录像机!

目录 认识录像机以及选购前小知识&#xff01; 1.网络监控摄像头的像素和分辨率对照参考&#xff1a; 2.录像视频的大小主要受摄像头的像素和存储编码影响&#xff0c;这些在设置录像的时候&#xff0c;都是可以改的。 3.关于录像机存储能力咨询 4.关于存储编码简介 认识录…

网页的基本结构

标签的结构 HTML网页是由HTML标签组成的描述性文本&#xff0c;HTML标签可以说明文字&#xff0c;图形、动画、声音、表格、链接等。 一个标签由开始标签&#xff0c;结束标签、标签名、标签属性组成 <div><a href"https://www.creatorblue.com/">创蓝…

酷开科技依托酷开系统推动家庭智能化加速发展

为什么越来越多的人会选择智能家居&#xff1f;因为智能家居的出现&#xff0c;大大方便了我们的生活&#xff0c;为生活提供便利舒适的体验&#xff1b;就如同洗衣机与洗碗机解放了我们的双手是一样的道理&#xff0c;智能家居是在生活的方方面面为我们提供更加便利化的可能性…

C++数据结构X篇_24_归并排序(稳定的排序)

本篇参考十大经典排序算法-归并排序算法详解进行整理和补充。 文章目录 1. 什么是归并排序1.1 概念1.2 算法原理1.3 算法实现 2. 归并排序算法特点2.1 时间复杂度2.2 空间复杂度2.3 稳定性 1. 什么是归并排序 1.1 概念 归并排序&#xff08;Merge sort&#xff09; 是建立在…

NFTScan 获 Optimism 基金会 Cycle 14 Grant 支持 35,000 枚 OP !

近期&#xff0c;Optimism 基金会官方公布了 Grants Program Cycle 14 的最终入选项目名单&#xff0c;NFTScan 团队获得了 35k OP 的 Grant 资金支持。 Cycle 14 Final: https://app.charmverse.io/op-grants/page-47078316203750115 作为 Optimism 生态的 NFT 基础设施&…

内网渗透——macOS上搭建Web服务器

# 公网访问macOS本地web服务器【内网穿透】 文章目录 1. 启动Apache服务器2. 公网访问本地web服务2.1 本地安装配置cpolar2.2 创建隧道2.3 测试访问公网地址3. 配置固定二级子域名3.1 保留一个二级子域名3.2 配置二级子域名4. 测试访问公网固定二级子域名 以macOS自带的Apache…

惊艳,这个html5播放器支持视频切换、倍速切换、视频预览

很赞哇&#xff01;&#xff01; 本文将对视频播放相关的功能进行说明&#xff08;基于云平台&#xff09;&#xff0c;包括初始化播放器、播放器尺寸设置、视频切换、倍速切换、视频预览、自定义视频播放的开始/结束时间、禁止拖拽进度、播放器皮肤、控件按钮以及播放控制等。…