【Python】AIモデルを作ろう！試しに、株価の予測をやってみよう！

コメント

1. @IT-mh8kz より:

   2025年3月3日 8:07 AM

   import pandas as pd
   import numpy as np
   import yfinance as yf
   import matplotlib.pyplot as plt

   # 株価データを取得（例：トヨタ自動車 7203.T）
   ticker = “7203.T”
   df = yf.download(ticker, start=”2023-01-01″, end=”2024-01-01″)

   # 必要なカラムを選択
   df = df[[‘Close’]]
   df[‘Returns’] = df[‘Close’].pct_change() # 日次リターン
   df.dropna(inplace=True) # 欠損値を削除

   # データの可視化
   df[‘Close’].plot(figsize=(10, 5), title=”Toyota Stock Price”)
   plt.show()

   # 移動平均を特徴量に追加
   df[‘SMA_5’] = df[‘Close’].rolling(window=5).mean() # 5日移動平均
   df[‘SMA_10’] = df[‘Close’].rolling(window=10).mean() # 10日移動平均
   df[‘SMA_20’] = df[‘Close’].rolling(window=20).mean() # 20日移動平均

   # 過去のデータを特徴量に
   df[‘Lag_1’] = df[‘Close’].shift(1)
   df[‘Lag_2’] = df[‘Close’].shift(2)

   df.dropna(inplace=True) # 欠損値を削除

   from sklearn.model_selection import train_test_split
   from sklearn.ensemble import RandomForestClassifier
   from sklearn.metrics import accuracy_score

   # 目的変数（翌日が上昇なら1, 下降なら0）
   df[‘Target’] = (df[‘Close’].shift(-1) > df[‘Close’]).astype(int)

   # 特徴量と目的変数を選択
   features = [‘SMA_5’, ‘SMA_10’, ‘SMA_20’, ‘Lag_1’, ‘Lag_2’]
   X = df[features]
   y = df[‘Target’]

   # 訓練データとテストデータに分割
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)

   # モデルの学習
   model = RandomForestClassifier(n_estimators=100, random_state=42)
   model.fit(X_train, y_train)

   # 予測と評価
   y_pred = model.predict(X_test)
   accuracy = accuracy_score(y_test, y_pred)

   print(f”予測精度: {accuracy:.2f}”)

   import pandas as pd
   import numpy as np
   import yfinance as yf
   import matplotlib.pyplot as plt

   # 株価データを取得（例：トヨタ自動車 7203.T）
   ticker = “7203.T”
   df = yf.download(ticker, start=”2023-01-01″, end=”2024-01-01″)

   # 必要なカラムを選択
   df = df[[‘Close’]]
   df[‘Returns’] = df[‘Close’].pct_change() # 日次リターン
   df.dropna(inplace=True) # 欠損値を削除

   # データの可視化
   df[‘Close’].plot(figsize=(10, 5), title=”Toyota Stock Price”)
   plt.show()

   # 移動平均を特徴量に追加
   df[‘SMA_5’] = df[‘Close’].rolling(window=5).mean() # 5日移動平均
   df[‘SMA_10’] = df[‘Close’].rolling(window=10).mean() # 10日移動平均
   df[‘SMA_20’] = df[‘Close’].rolling(window=20).mean() # 20日移動平均

   # 過去のデータを特徴量に
   df[‘Lag_1’] = df[‘Close’].shift(1)
   df[‘Lag_2’] = df[‘Close’].shift(2)

   df.dropna(inplace=True) # 欠損値を削除

   from sklearn.model_selection import train_test_split
   from sklearn.ensemble import RandomForestClassifier
   from sklearn.metrics import accuracy_score

   # 目的変数（翌日が上昇なら1, 下降なら0）
   df[‘Target’] = (df[‘Close’].shift(-1) > df[‘Close’]).astype(int)

   # 特徴量と目的変数を選択
   features = [‘SMA_5’, ‘SMA_10’, ‘SMA_20’, ‘Lag_1’, ‘Lag_2’]
   X = df[features]
   y = df[‘Target’]

   # 訓練データとテストデータに分割
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)

   # モデルの学習
   model = RandomForestClassifier(n_estimators=100, random_state=42)
   model.fit(X_train, y_train)

   # 予測と評価
   y_pred = model.predict(X_test)
   accuracy = accuracy_score(y_test, y_pred)

   print(f”予測精度: {accuracy:.2f}”)

   返信