本文介绍了如何使用Python的Statsmodels库进行线性回归分析，特别是针对金融数据。文中详细讲解了数据准备，涉及Tushare、Baostock、Yfinance等获取金融数据的模块，以及pandas和NumPy的常用操作。此外，文章还讨论了如何通过Statsmodels进行一元和多元线性回归，包括模型检验、图像解析和置信区间，并展示了不同阶数多项式回归的效果，以帮助理解特征间的关系。
在机器学习中的线性回归，一般都会使用scikit-learn中的linear_model这个模块，用linear_model的好处是速度快、结果简单易懂，但它的使用是有条件的，就是使用者在明确该模型是线性模型的情况下才能用，否则生成的结果很可能是错误的。
如果不知道该模型是否是线性模型的情况下可以使用statsmodels，statsmodels是python中专门用于统计学分析的包，它能够帮我们在模型未知的情况下来检验模型的线性显著性。
用于金融数据准备
数据准备是一项必须具备的技术，是一个迭代且灵活的过程，可以用于查找、组合、清理、转换和共享数据集，包括用于分析/商业智能（BI）、数据科学/机器学习（ML）和自主数据集成中。具体来说，数据准备是在处理和分析之前对原始数据进行清洗和转换的过程，通常包括重新格式化数据、更正数据和组合数据集来丰富数据等。
本次数据分析实战系列运用股市金融数据，并对其进行一些
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
