程序简介

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

代码分析

导入模块、路径

# -*- 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 = \'\'#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

读取上证指数数据分割训练和测试集，本文只使用收盘价，查看内容

#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
data.head()

	日期	股票代码	名称	收盘价	最高价	最低价	开盘价	前收盘	涨跌额	涨跌幅	成交量	成交金额
0	2020-02-18	\'000001	上证指数	2984.9716	2990.6003	2960.7751	2981.4097	2983.6224	1.3492	0.0452	311665913	3.74998562648e+11
1	2020-02-17	\'000001	上证指数	2983.6224	2983.6371	2924.9913	2924.9913	2917.0077	66.6147	2.2837	313198007	3.67014340129e+11
2	2020-02-14	\'000001	上证指数	2917.0077	2926.9427	2899.5739	2899.8659	2906.0735	10.9342	0.3763	250650627	3.08080368726e+11
3	2020-02-13	\'000001	上证指数	2906.0735	2935.4060	2901.2425	2927.1443	2926.8991	-20.8256	-0.7115	274804844	3.34526327364e+11
4	2020-02-12	\'000001	上证指数	2926.8991	2926.8991	2892.4240	2895.5561	2901.6744	25.2247	0.8693	248733429	2.97534420493e+11

使用GM11函数进行动态建模，打印结论，GM11函数位于项目文件夹的Module/BuildModel.py，下文会给出代码

#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))

后验差比<=0.65，模型精度等级为勉强
发展系数 0.07
灰色作用量 150.96

这是上文GM11的函数，该代码可直接运行进行测试，函数输入为原序列和预测个数，输出为模型各参数和序列值

# -*- 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)

进行观测值预测值可视化

#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\')

秒客网

python实现灰色预测模型(GM11)——以预测股票收盘价为例

程序简介

程序/数据集下载

代码分析

相关文章