有没有会用Python编写一个简单的建模股票价格的小程序？能够对股票数据进行简单预测即可！求助！

1. 有没有会用Python编写一个简单的建模股票价格的小程序？能够对股票数据进行简单预测即可！求助！

虽然懂python 但是不懂股票，
采用random()可以么，哈哈

2. 怎么用python计算股票

作为一个python新手，在学习中遇到很多问题，要善于运用各种方法。今天，在学习中，碰到了如何通过收盘价计算股票的涨跌幅。
第一种：
读取数据并建立函数：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import spline
from pylab import *
import pandas as pd
from pandas import Series
a=pd.read_csv('d:///1.csv',sep=',')#文件位置

t=a['close']
def f(t):
s=[]
for i in range(1,len(t)):
if i==1:
continue
else:
s.append((t[i]-t[i-1])/t[i]*100)
print s
plot(s)


plt.show()
f(t)
第二种：
利用pandas里面的方法：
import pandas as pd

a=pd.read_csv('d:///1.csv')
rets = a['close'].pct_change() * 100
print rets

第三种：
close=a['close']
rets=close/close.shift(1)-1
print rets


总结：python是一种非常好的编程语言，一般而言，我们可以运用构建相关函数来实现自己的思想，但是，众所周知，python中里面的有很多科学计算包，里面有很多方法可以快速解决计算的需要，如上面提到的pandas中的pct_change()。因此在平时的使用中应当学会寻找更好的方法，提高运算速度。

3. 如何用Python在10分钟内建立一个预测模型

　　预测模型的分解过程
　　我总是集中于投入有质量的时间在建模的初始阶段，比如，假设生成、头脑风暴、讨论或理解可能的结果范围。所有这些活动都有助于我解决问题，并最终让我设计出更强大的商业解决方案。为什么你要在前面花费这段时间，这有充分的理由：
　　你有足够的时间投入并且你是无经验的（这是有影响的）
　　你不带有其它数据观点或想法的偏见（我总是建议，在深入研究数据之前做假设生成）
　　在后面的阶段，你会急于完成该项目而没有能力投入有质量的时间了。
　　这个阶段需要投入高质量时间，因此我没有提及时间表，不过我建议你把它作为标准的做法。这有助于你建立建立更好地预测模型，在后面的阶段的只需较少的迭代工作。让我们来看看建立第一个模型的剩余阶段的时间表：
　　数据描述性分析——50%的时间
　　数据预处理（缺失值和异常值修复）——40%的时间
　　数据建模——4%的时间
　　性能预测——6%的时间
　　让我们一步一步完成每个过程（每一步投入预测的时间）：
　　阶段1：描述性分析/数据探索
　　在我刚开始成为数据科学家的时候，数据探索占据了我大量的时间。不过，随着时间的推移，我已经把大量的数据操作自动化了。由于数据准备占据建立第一个模型工作量的50%，自动化的好处是显而易见的。
　　这是我们的第一个基准模型，我们去掉任何特征设计。因此，描述分析所需的时间仅限于了解缺失值和直接可见的大的特征。在我的方法体系中，你将需要2分钟来完成这一步（假设，100000个观测数据集）。
　　我的第一个模型执行的操作：
　　确定ID，输入特征和目标特征
　　确定分类和数值特征
　　识别缺失值所在列
　　阶段2：数据预处理（缺失值处理）
　　有许多方法可以解决这个问题。对于我们的第一个模型，我们将专注于智能和快速技术来建立第一个有效模型。
　　为缺失值创建假标志：有用，有时缺失值本身就携带了大量的信息。
　　用均值、中位数或其它简单方法填补缺失值：均值和中位数填补都表现良好，大多数人喜欢用均值填补但是在有偏分布的情况下我建议使用中位数。其它智能的方法与均值和中位数填补类似，使用其它相关特征填补或建立模型。比如，在Titanic生存挑战中，你可以使用乘客名字的称呼，比如：“Mr.”, “Miss.”,”Mrs.”,”Master”，来填补年龄的缺失值，这对模型性能有很好的影响。
　　填补缺失的分类变量：创建一个新的等级来填补分类变量，让所有的缺失值编码为一个单一值比如，“New_Cat”，或者，你可以看看频率组合，使用高频率的分类变量来填补缺失值。
　　由于数据处理方法如此简单，你可以只需要3到4分钟来处理数据。
　　阶段3：数据建模
　　根据不同的业务问题，我推荐使用GBM或RandomForest技术的任意一种。这两个技术可以极其有效地创建基准解决方案。我已经看到数据科学家通常把这两个方法作为他们的第一个模型同时也作为最后一个模型。这最多用去4到5分钟。
　　阶段4：性能预测
　　有各种各样的方法可以验证你的模型性能，我建议你将训练数据集划分为训练集和验证集（理想的比例是70：30）并且在70%的训练数据集上建模。现在，使用30%的验证数据集进行交叉验证并使用评价指标进行性能评估。最后需要1到2分钟执行和记录结果。
　　本文的目的不是赢得比赛，而是建立我们自己的基准。让我们用python代码来执行上面的步骤，建立你的第一个有较高影响的模型。
　　让我们开始付诸行动
　　首先我假设你已经做了所有的假设生成并且你擅长使用python的基本数据科学操作。我用一个数据科学挑战的例子来说明。让我们看一下结构：
　　步骤1：导入所需的库，读取测试和训练数据集。
　　#导入pandas、numpy包，导入LabelEncoder、random、RandomForestClassifier、GradientBoostingClassifier函数
　　import pandas as pd
　　import numpy as np
　　fromsklearn.preprocessing import LabelEncoder
　　import random
　　fromsklearn.ensemble import RandomForestClassifier
　　from sklearn.ensembleimport GradientBoostingClassifier
　　#读取训练、测试数据集
　　train=pd.read_csv('C:/Users/AnalyticsVidhya/Desktop/challenge/Train.csv')
　　test=pd.read_csv('C:/Users/AnalyticsVidhya/Desktop/challenge/Test.csv')
　　#创建训练、测试数据集标志
　　train='Train'
　　test='Test'
　　fullData =pd.concat(,axis=0) #联合训练、测试数据集
　　步骤2：该框架的第二步并不需要用到python，继续下一步。
　　步骤3：查看数据集的列名或概要
　　fullData.columns # 显示所有的列名称
　　fullData.head(10) #显示数据框的前10条记录
　　fullData.describe() #你可以使用describe()函数查看数值域的概要
　　步骤4：确定a)ID变量 b)目标变量 c)分类变量 d)数值变量 e)其他变量。
　　ID_col =
　　target_col =
　　cat_cols =
　　num_cols= list(set(list(fullData.columns))-set(cat_cols)-set(ID_col)-set(target_col)-set(data_col))
　　other_col= #为训练、测试数据集设置标识符
　　步骤5：识别缺失值变量并创建标志
　　fullData.isnull().any()#返回True或False，True意味着有缺失值而False相反
　　num_cat_cols = num_cols+cat_cols # 组合数值变量和分类变量
　　#为有缺失值的变量创建一个新的变量
　　# 对缺失值标志为1，否则为0
　　for var in num_cat_cols:
　　if fullData.isnull().any()=True:
　　fullData=fullData.isnull()*1
　　步骤6：填补缺失值
　　#用均值填补数值缺失值
　　fullData = fullData.fillna(fullData.mean(),inplace=True)
　　#用-9999填补分类变量缺失值
　　fullData = fullData.fillna(value = -9999)
　　步骤7：创建分类变量的标签编码器，将数据集分割成训练和测试集，进一步，将训练数据集分割成训练集和测试集。
　　#创建分类特征的标签编码器
　　for var in cat_cols:
　　number = LabelEncoder()
　　fullData = number.fit_transform(fullData.astype('str'))
　　#目标变量也是分类变量，所以也用标签编码器转换
　　fullData = number.fit_transform(fullData.astype('str'))
　　train=fullData='Train']
　　test=fullData='Test']
　　train = np.random.uniform(0, 1, len(train)) <= .75
　　Train, Validate = train=True], train=False]
　　步骤8：将填补和虚假（缺失值标志）变量传递到模型中，我使用随机森林来预测类。
　　features=list(set(list(fullData.columns))-set(ID_col)-set(target_col)-set(other_col))
　　x_train = Train.values
　　y_train = Train.values
　　x_validate = Validate.values
　　y_validate = Validate.values
　　x_test=test.values
　　random.seed(100)
　　rf = RandomForestClassifier(n_estimators=1000)
　　rf.fit(x_train, y_train)
　　步骤9：检查性能做出预测
　　status = rf.predict_proba(x_validate)
　　fpr, tpr, _ = roc_curve(y_validate, status)
　　roc_auc = auc(fpr, tpr)
　　print roc_auc
　　final_status = rf.predict_proba(x_test)
　　test=final_status
　　test.to_csv('C:/Users/Analytics Vidhya/Desktop/model_output.csv',columns=)
　　现在可以提交了！

4. 股票价格可以预测吗？

你能预测股票价格的变动吗？怎样炒股更容易赚钱？

5. 怎样预测股票价格趋势

在看布雷利的公司理财一书中提到，股票的价格走势是无法预测的。它说1.从技术面分析，股价的变化模式无法是一致的，相继周期之间价格没有相关性，股票看起来是服从随机游走的。2.从基本面分析，所有关于公司的信息会瞬间,准确的反应在股价上，远比人们做出的反应快。而且，在一次大学讲座的，以及炎黄财经某老师说道股价更大程度是作布朗运动。
那么，如果股价真的是无法预测的话，那么所谓的投资不就是投机？那些日本蜡烛图，rsi各种指标又如何风靡？如果是的话我的世界就凌乱了！

6. 怎样用 Python 写一个股票自动交易的程序

 保5年没有问题，而且在大品牌木门公司购买木门，后期也会有免费的木门维护和保养。 在这里，对于木门质保几年，通常大概就是5年质保期，建议大家尽量还是不要贪小便宜，去大型木门品牌公司去购买 通常一般的木门品牌商家是没有质保的，有些中大品牌的商家也只是做出了一年的质保期限，木门质 保几年，有的商家虽然对质保期限和质保范围做出了一些具体规定，但是在消费者去购买询问时，商家为了赚钱，留 住顾客，口头上往往都会承诺质保1-5年，但现实在你付钱购买后，商家就会拿出有关质保期限和质保范围的市场规定 

7. 请问如何预测股票未来价格

【市盈率】 Price-earnings ratio 市盈率指在一个考察期（通常为12个月的时间）内，股票的价格和每股收益的比例。投资者通常利用该比例值估量某股票的投资价值，或者用该指标在不同公司的股票之间进行比较。市盈率通常用来作为比较不同价格的股票是否被高估或者低估的指标。然而，用市盈率衡量一家公司股票的质地时，并非总是准确的。一般认为，如果一家公司股票的市盈率过高，那么该股票的价格具有泡沫，价值被高估。然而，当一家公司增长迅速以及未来的业绩增长非常看好时，股票目前的高市盈率可能恰好准确地估量了该公司的价值。需要注意的是，利用市盈率比较不同股票的投资价值时，这些股票必须属于同一个行业，因为此时公司的每股收益比较接近，相互比较才有效。 截止到2007年7月3日沪深两市A股市盈率为85.19。 【计算方法】 每股盈利的计算方法，是该企业在过去12个月的净收入除以总发行已售出股数。市盈率越低，代表投资者能够以较低价格购入股票以取得回报。 假设某股票的市价为24元，而过去12个月的每股盈利为3元，则市盈率为24/3=8。该股票被视为有8倍的市盈率，即每付出8元可分享1元的盈利。 投资者计算市盈率，主要用来比较不同股票的价值。理论上，股票的市盈率愈低，愈值得投资。比较不同行业、不同国家、不同时段的市盈率是不大可靠的。比较同类股票的市盈率较有实用价值。 【决定股价的因素】 股价取决于市场需求，即变相取决于投资者对以下各项的期望： (1)企业的最近表现和未来发展前景 (2)新推出的产品或服务 (3)该行业的前景 其余影响股价的因素还包括市场气氛、新兴行业热潮等。 市盈率把股价和利润连系起来，反映了企业的近期表现。如果股价上升，但利润没有变化，甚至下降，则市盈率将会上升。 一般来说，市盈率水平为： 0-13：即价值被低估 14-20：即正常水平 21-28：即价值被高估 28+：反映股市出现投机性泡沫

8. 怎样用python处理股票

用Python处理股票需要获取股票数据，以国内股票数据为例，可以安装Python的第三方库：tushare；一个国内股票数据获取包。可以在百度中搜索“Python tushare”来查询相关资料，或者在tushare的官网上查询说明文档。