python的Scripy提供了丰富的数学工具,python的科学计算包scipy的里面提供了一个函数,可以求出任意的想要拟合的函数的参数。那就是scipy.optimize包里面的leastsq函数。函数原型是:
leastsq(func, x0, args=(), Dfun=None, full_output=0, col_deriv=0, ftol=1.49012e-08, xtol=1.49012e-08, gtol=0.0, maxfev=0, epsfcn=0.0, factor=100, diag=None, warning=True)
一般我们只要指定前三个参数就可以了:
func 是我们自己定义的一个计算误差的函数,
x0 是计算的初始参数值
args 是指定func的其他参数
全部代码如下:
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import leastsq
##样本数据(Xi,Yi),需要转换成数组(列表)形式
Xi = np.array([160, 165, 158, 172, 159, 176, 160, 162, 171])
Yi = np.array([58, 63, 57, 65, 62, 66, 58, 59, 62])
##需要拟合的函数func :指定函数的形状 k= 0.42116973935 b= -8.28830260655
def func(p, x):
k, b = p
return k * x + b
##偏差函数:x,y都是列表:这里的x,y更上面的Xi,Yi中是一一对应的
def error(p, x, y):
return func(p, x) - y
# k,b的初始值,可以任意设定,经过几次试验,发现p0的值会影响cost的值:Para[1]
p0 = [1, 20]
# 把error函数中除了p0以外的参数打包到args中(使用要求)
Para = leastsq(error, p0, args=(Xi, Yi))
print(Para)
# 读取结果
k, b = Para[0]
print("k=", k, "b=", b)
# 画样本点
plt.figure(figsize=(8, 6)) ##指定图像比例:8:6
plt.scatter(Xi, Yi, color="green", label="source", linewidth=2)
# 画拟合直线
x = np.linspace(150, 190, 100) ##在150-190直接画100个连续点
y = k * x + b ##函数式
plt.plot(x, y, color="red", label="target", linewidth=2)
plt.legend() # 绘制图例
plt.show()
七日最小二乘法对股票K线划线
十四日最小二乘回归
二十八日最下回归划线
主要代码
#按不同步计算期间典型价格的线性回归
def everyDayErChengPrice(sourceResult,step):
p0=[1,20]
global erChengPrice
count=len(sourceResult)
if count-step<0:
return
for i in range(count):
temp=[]
myStart=i
myEnd=i+step
if myEnd>count:
break
XI=sourceResult.values[myStart:myEnd][:,0]
YI=sourceResult['tprice'][myStart:myEnd]
Para = leastsq(error, p0, args=(XI, YI))
k, b = Para[0]
temp.append(XI)
temp.append(k * XI + b)
erChengPrice.append(temp)
#逐个计算最近7天的趋势
everyDayErChengPrice(result,28)