CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章yyds！python中用机器学习预测 bilibili 股价走势由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

本文主要讲解用Python分析哔哩哔哩股价，通过对股票数据进行基础分析，结合运用matplotlib绘图库进行可视化，并用机器学习方法 — 蒙特卡洛模拟预测未来一年股价走势.

  。

安装

我们需要安装numpy、pandas、matplotlib、scipy等Python数据科学工具包.

1. #关注公众号：宽客邦，回复“源码”获取下载本文完整源码 
2. import numpy as np 
3. import pandas as pd 
4. from math import sqrt 
5. import matplotlib.pyplot as plt 
6. from scipy.stats import norm 
7. from pandas_datareader import data 

选取哔哩哔哩(股票代码：BILI)2018年上市到现在2021年的数据进行分析，数据来自雅虎。这里使用pd.to_datetime将数据集时间转化为时间序列，便于股票的分析.

1. BILI = data.DataReader('BILI', 'yahoo',start='29/3/2018',) 
2. BILI.index=pd.to_datetime(BILI.index) 

首先用head()方法看一下数据集的结构，数据集包含了股票的开盘价、收盘价、每日最低价与最高价、交易量等信息。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载.

  。

  。

开盘价走势

我们可以通过 matplotlib 进行数据可视化，plt.legend用于设置图像的图例，loc是图例位置，upper right代表图例在右上角。从图中可以看出哔哩哔哩股票在2020年12月到2021年2月之间有一个快速的增长，随后股价有所回落.

1. plt.figure(figsize=(16,6)) 
2. BILI['Open'].plot() 
3. plt.legend(['BILI'],loc='upper right') 

  。

股票成交量

我们再来看一下股票的成交量.

1. plt.figure(figsize=(16,6)) 
2. BILI['Volume'].plot() 
3. plt.legend(['BILI'],loc='upper right') 
4. plt.xlim(BILI.index[0],BILI.index[-1]) 

  。

股票交易总额

我们再分析以下股票的交易总额。从图中可以很明显看出2021年1月到5月间某一天交易总额创历史新高.

1. BILI['Total Traded']=BILI['Open']*BILI['Volume'] 
2.  
3. plt.figure(figsize=(16,6)) 
4. BILI['Total Traded'].plot() 
5.  
6. plt.legend(['BILI'],loc='upper right') 
7. plt.xlim(BILI.index[0],BILI.index[-1]) 

  。

下面我们来通过argmax()获取最大交易总额的日期.

1. BILI['Total Traded'].argmax() 

输出结果如下:

1. Timestamp('2021-02-25 00:00:00') 

我们搜索新闻可以发现，2021年2月25日哔哩哔哩(NASDAQ: BILI)公布了截至2020年12月31日的第四季度和全年未经审计的财务报告。财报发布后，B站在美股的盘后股价一度涨超5%.

收盘价及其移动平均线

下面绘制BILI这支股票的收盘价及其移动平均线，我们可以用DataFrame的rolling()函数得到移动平均值.

1. BILI['Close'].plot(figsize=(16,6),xlim=(BILI.index[0],BILI.index[-1])) 
2. BILI['Close'].rolling(50).mean().plot(label='BILI MA50') 
3. BILI['Close'].rolling(200).mean().plot(label='BILI MA200') 
4. plt.legend() 

  。

股票的收益率

下面我们计算每支股票的日收益率，并用直方图进行展示。这里了三种方法来计算日收益率，第一种是直接使用计算公式计算;第二种是导入专用于金融领域的第三方库ffn.to_returns函数计算;第三种是利用pandas自带的函数pct_change(1)进行计算。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载.

1. #关注公众号：宽客邦，回复“源码”获取完整源码，直接使用计算公式计算 
2. BILI['Return']=(BILI['Close']-BILI['Close'].shift(1))/BILI['Close'].shift(1) 
3. BILI=BILI.dropna() 
4.  
5. #导入专用于金融领域的第三方库ffn.to_returns函数计算 
6. import ffn 
7. BILI['Return']=ffn.to_returns(BILI['Close']) 
8.  
9. #利用pandas自带的函数pct_change(1)进行计算 
10. BILI['Return']=BILI['Close'].pct_change() 
11. BILI=BILI.dropna() 
12.  
13. #关注公众号：宽客邦，回复“源码”获取下载本文完整源码 
14. plt.hist(BILI['Return'],bins=50) 

  。

也可以用箱图观察收益率 。

1. box_df = pd.concat([BILI['Return']],axis=1) 
2. box_df.columns = ['BILI Returns'] 
3. box_df.plot(kind='box',figsize=(8,11),colormap='jet') 

  。

绘制股票的累计收益率 。

1. BILI['Cumulative Return']=(1+BILI['Return']).cumprod() 
2.  
3. BILI['Cumulative Return'].plot(label='BILI',figsize=(16,8),title='Cumulative Return') 
4. plt.legend() 

  。

股票的复合年均增长率和收益的年度波动率

计算股票的复合年均增长率和收益的年度波动率.

1. #关注公众号：宽客邦，回复“源码”获取完整源码，计算复合年均增长率 
2. days = (BILI.index[-1] - BILI.index[0]).days 
3. cagr = ((((BILI['Adj Close'][-1]) / BILI['Adj Close'][1])) ** (365.0/days)) - 1 
4. print ('CAGR =',str(round(cagr)*100)+"%") 
5. mu = cagr 
6.  
7. #计算收益的年度波动率 
8. BILI['Returns'] = BILI['Adj Close'].pct_change() 
9. vol = BILI['Returns']*sqrt(252) 
10. print ("Annual Volatility =",str(round(vol,4)*100)+"%") 

CAGR = 71.72%Annual Volatility = 65.14% 。

用蒙特卡洛模拟预测股票走势

我们来预测未来一个交易年度(252 天)内潜在价格序列演变的单一模拟，基于遵循正态分布的每日收益随机的抽取。由第一个图表中显示的单线系列表示。第二个图表绘制了一年期间这些随机每日收益的直方图。扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载.

1. S = BILI['Adj Close'][-1] #起始股票价格（即最后一天的实际股票价格） 
2. T = 252 #交易天数 
3. mu = 0.7172 #复合年均增长率 
4. vol = 0.6514 #年度波动率 
5.  
6. #关注公众号：宽客邦，回复“源码”获取完整源码，使用随机正态分布创建每日收益列表 
7. daily_returns=np.random.normal((mu/T),vol/math.sqrt(T))+1 
8.  
9. #关注公众号：宽客邦，回复“源码”获取下载本文完整源码 
10. price_list = [S] 
11.  
12. for x in daily_returns: 
13.     price_list.append(price_list[-1]*x) 
14.  
15. #生成价格序列的折线图 
16.  
17. plt.plot(price_list) 
18. plt.show() 

  。

生成每日收益的直方图 。

1. plt.hist(daily_returns-1, 100)  
2. plt.show() 

  。

1000次模拟预测未来哔哩哔哩股价走势.

1. import numpy as np 
2. import math 
3. import matplotlib.pyplot as plt 
4. from scipy.stats import norm 
5.  
6. #关注公众号：宽客邦，回复“源码”获取下载本文完整源码 
7. S = BILI['Adj Close'][-1] #起始股票价格（即最后一天的实际股票价格） 
8. T = 252 #交易天数 
9. mu = 0.7172 #复合年均增长率 
10. vol = 0.6514 #年度波动率 
11.  
12. #选择要模拟的运行次数 - 我选择1000 
13. for i in range(1000): 
14.     #使用随机正态分布创建每日收益列表 
15.     daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1 
16.      
17.     #设置起始价格并创建由上述随机每日收益生成的价格列表 
18.     price_list = [S] 
19.      
20.     for x in daily_returns: 
21.         price_list.append(price_list[-1]*x) 
22.  
23.     #绘制来自每个单独运行的数据，我们将在最后绘制 
24.     plt.plot(price_list) 
25.  
26. #显示上面创建的多个价格系列的图 
27. plt.show() 

  。

10000次模拟预测未来哔哩哔哩股价走势.

1. import numpy as np 
2. import math 
3. import matplotlib.pyplot as plt 
4. from scipy.stats import norm 
5.  
6. #关注公众号：宽客邦，回复“源码”获取下载本文完整源码 
7. result = [] 
8.  
9. #定义变量 
10. S = BILI['Adj Close'][-1] #起始股票价格（即最后一天的实际股票价格） 
11. T = 252 #交易天数 
12. mu = 0.7172 #复合年均增长率 
13. vol = 0.6514 #年度波动率 
14.  
15. #选择要模拟的运行次数 - 选择10000 
16. for i in range(10000): 
17.     #使用随机正态分布创建每日收益列表 
18.     daily_returns=np.random.normal(mu/T,vol/math.sqrt(T))+1 
19.      
20.     #设置起始价格并创建由上述随机每日收益生成的价格列表 
21.     price_list = [S] 
22.      
23.     for x in daily_returns: 
24.         price_list.append(price_list[-1]*x) 
25.  
26.     #绘制来自每个单独运行的数据，我们将在最后绘制 
27.     plt.plot(price_list) 
28.      
29.     #将每次模拟运行的结束值附加到我们在开始时创建的空列表中 
30.     result.append(price_list[-1]) 
31.  
32. #显示上面创建的多个价格系列的图 
33. plt.show() 

  。

为我们的多重模拟创建股票收盘价的直方图.

1. plt.hist(result,bins=50) 
2. plt.show() 

  。

用numpy mean函数计算平均值的分布，以获得我们的“预期值”.

1. print(round(np.mean(result)))  
2. 139.18
3. 用 numpy 的“percentile”函数来计算 5% 和 95% 的分位数 
4. print("5% quantile =",np.percentile(result,5))print("95% quantile =",np.percentile(result,95)) 
5.  
6. 5% quantile = 38.33550814175252  
7. 95% quantile = 326.44060907630484 

在直方图上快速绘制我们刚刚计算的两个分位数，以给我们一个直观的表示.

1. plt.hist(result,bins=100) 
2. plt.axvline(np.percentile(result,5), color='r', linestyle='dashed') 
3. plt.axvline(np.percentile(result,95), color='r', linestyle='dashed') 
4. plt.show() 

从上面的结果我们得知：哔哩哔哩(BILI)的股价有5%的可能性最终会低于38.33美元，有5%的可能性会高于326.44美元。那么你是否愿意冒5%的风险获得股价低于38.33美元的损失，来追逐股价高于326.44美元的回报收益呢？

原文地址：https://mp.weixin.qq.com/s/6In094eW_rgdqpmKIM_c_A 。

最后此篇关于yyds！python中用机器学习预测 bilibili 股价走势的文章就讲到这里了,如果你想了解更多关于yyds！python中用机器学习预测 bilibili 股价走势的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。