Python预测股价：我的机器学习模型开发与优化

import yfinance as yf

# 获取苹果公司5年历史数据（含复权价）
stock = yf.Ticker("AAPL")
df = stock.history(period="5y", auto_adjust=True)
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]

# 计算日涨跌幅，过滤极端波动（参考网页15）
df['pct_change'] = df['Close'].pct_change()
df = df[(df['pct_change'].abs() < 0.2) | (df['Volume'] > 1e6)]  # 剔除异常波动或低流动性日

df['Volume'].fillna(0, inplace=True)  # 停牌日成交量置零
df = df.ffill()  # 前复权填充价格数据（参考网页2）

import talib

# 计算MACD（参考网页25）
df['macd'], df['signal'], _ = talib.MACD(df['Close'], 
                                      fastperiod=12, 
                                      slowperiod=26, 
                                      signalperiod=9)

# 计算布林带波动率（参考网页36）
df['upper'], df['middle'], df['lower'] = talib.BBANDS(df['Close'], 
                                                     timeperiod=20, 
                                                     nbdevup=2, 
                                                     nbdevdn=2)

# 计算市场恐慌指数（VIX相关性）
df['vix_corr'] = df['Close'].rolling(30).corr(vix_data['Close'])  # 需同步VIX数据

# 主力资金流向（大单净流入率）
df['big_order_ratio'] = df['Volume'] / df['Volume'].rolling(5).mean()

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 构建LSTM网络（参考网页25）
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(60, 5)),
    LSTM(50),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')

# 数据标准化（参考网页36）
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(df[['Close', 'Volume', 'macd']])

from xgboost import XGBRegressor

# 构建特征矩阵（参考网页34）
features = df[['macd', 'upper', 'vix_corr']].shift(1)  # 防止未来信息泄露
target = df['Close'].pct_change().shift(-1)  # 预测次日收益率

# 训练模型
model = XGBRegressor(n_estimators=100, max_depth=3)
model.fit(features.dropna(), target.dropna())

from sklearn.model_selection import GridSearchCV

# LSTM时间步长优化（参考网页25）
param_grid = {'lookback_window': [30, 60, 90]}
grid = GridSearchCV(TimeSeriesSplit(n_splits=3), 
                   param_grid, 
                   scoring='neg_mean_squared_error')
grid.fit(X, y)

# 添加Dropout层（参考网页36）
model.add(Dropout(0.2))

# 早停法（Early Stopping）
from tensorflow.keras.callbacks import EarlyStopping
early_stop = EarlyStopping(monitor='val_loss', patience=5)

# 简易回测器（参考网页2）
class Backtester:
    def __init__(self, model, data):
        self.cash = 1e6
        self.positions = 0
        self.signals = model.predict(data)
        
    def execute_order(self, price, size):
        # 实现交易逻辑...

# 实时数据管道（参考网页43）
import schedule

def daily_update():
    new_data = yf.download("AAPL", period="1d")
    model.predict(preprocess(new_data))
    
schedule.every().day.at("16:00").do(daily_update)