Блог

Я использовал предыдущий поток здесь, на stackoverflow, чтобы добраться до точки, в которой я нахожусь. Я хочу сделать график акций, который показывает линию наилучшего соответствия. У меня в основном все работает, за исключением одной проблемы. Ось y показывает нормализованную шкалу от -0,10 до 0,25, а не цену акции. Я хочу, чтобы цена акции отображалась по оси y.

 #!/usr/bin/env python3

import numpy as np
import pandas_datareader.data as web
import pandas as pd
import datetime
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import statistics as stat

#get adjusted close price of Tencent from yahoo
start = datetime.datetime(2020, 5, 21)
end = datetime.datetime(2021, 5, 21)
tencent = pd.DataFrame()
tencent = web.DataReader('IBM', 'yahoo', start, end)['Adj Close']

nomalized_return=np.log(tencent/tencent.iloc[0])

df = pd.DataFrame(data=nomalized_return)

df = df.resample('D').asfreq()

# Create a 'x' and 'y' column for convenience
df['y'] = df['Adj Close']     # create a new y-col (optional)
df['x'] = np.arange(len(df))  # create x-col of continuous integers


# Drop the rows that contain missing days
df = df.dropna()

X=df['x'].values[:, np.newaxis]
y=df['y'].values[:, np.newaxis]

# Fit linear regression model using scikit-learn
lin_reg = LinearRegression()
lin_reg.fit(X, y)

# Make predictions w.r.t. 'x' and store it in a column called 'y_pred'
df['y_pred'] = lin_reg.predict(df['x'].values[:, np.newaxis])

df['above']= y   np.std(y)
df['below']= y - np.std(y)
# Plot 'y' and 'y_pred' vs 'DateTimeIndex`
df[['y', 'y_pred']].plot()


plt.show()
 

Проблема в этих строках

 nomalized_return=np.log(tencent/tencent.iloc[0])

df = pd.DataFrame(data=nomalized_return)
 

Если я заменю df = pd.DataFrame(data=nomalized_return) на df = pd.DataFrame(data=tencent) , то это сработает. Я получаю цены по оси y, но затем линия регрессии оказывается неправильной.
В любом случае, на изображении ниже показано, что я получаю с помощью кода выше, и это показывает проблему.

Вы можете масштабировать ответ обратно, используя экспоненту и умножая на первое значение:

 df['y_pred'] = lin_reg.predict(df['x'].values[:, np.newaxis])
df['y_unscaled'] = tencent
df['y_pred_unscaled'] = np.exp(df['y_pred']) * tencent.iloc[0]

df[['y_unscaled', 'y_pred_unscaled']].plot()