siat 3.10.125__py3-none-any.whl → 3.10.126__py3-none-any.whl

siat/markowitz_simple-20230709.py

@@ -1,370 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-本模块功能：马科维茨投资组合快速示意图
-所属工具包：证券投资分析工具SIAT 
-SIAT：Security Investment Analysis Tool
-创建日期：2023年7月8日
-最新修订日期：2023年7月9日
-作者：王德宏 (WANG Dehong, Peter)
-作者单位：北京外国语大学国际商学院
-作者邮件：wdehong2000@163.com
-版权所有：王德宏
-用途限制：仅限研究与教学使用，不可商用！商用需要额外授权。
-特别声明：作者不对使用本工具进行证券投资导致的任何损益负责！
-"""
-
-#==============================================================================
-#关闭所有警告
-import warnings; warnings.filterwarnings('ignore')
-from siat.security_prices import *
-
-#==============================================================================
-import matplotlib.pyplot as plt
-
-#统一设定绘制的图片大小：数值为英寸，1英寸=100像素
-plt.rcParams['figure.figsize']=(12.8,7.2)
-plt.rcParams['figure.dpi']=300
-plt.rcParams['font.size'] = 13
-plt.rcParams['xtick.labelsize']=11 #横轴字体大小
-plt.rcParams['ytick.labelsize']=11 #纵轴字体大小
-
-title_txt_size=16
-ylabel_txt_size=14
-xlabel_txt_size=14
-legend_txt_size=14
-
-#设置绘图风格：网格虚线
-plt.rcParams['axes.grid']=True
-plt.rcParams['grid.color']='steelblue'
-plt.rcParams['grid.linestyle']='dashed'
-plt.rcParams['grid.linewidth']=0.5
-plt.rcParams['axes.facecolor']='whitesmoke'
-
-#处理绘图汉字乱码问题
-import sys; czxt=sys.platform
-if czxt in ['win32','win64']:
-    plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置默认字体
-    mpfrc={'font.family': 'SimHei'}
-
-if czxt in ['darwin']: #MacOSX
-    plt.rcParams['font.family']= ['Heiti TC']
-    mpfrc={'font.family': 'Heiti TC'}
-
-if czxt in ['linux']: #website Jupyter
-    plt.rcParams['font.family']= ['Heiti TC']
-    mpfrc={'font.family':'Heiti TC'}
-
-# 解决保存图像时'-'显示为方块的问题
-plt.rcParams['axes.unicode_minus'] = False 
-#==============================================================================
-
-# 全局引用，函数中无需再import
-from datetime import date
-import pandas as pd 
-import numpy as np 
-import scipy.optimize as opt
-import seaborn as sns
-
-#==============================================================================
-if __name__=='__main__':
-    components = {
-                  'AAPL':'苹果',
-                  'AMZN':'亚马逊',
-                  'GOOGL':'谷歌',
-                  'BABA':'阿里巴巴'
-                 }
-
-    start='2016-1-1'    
-    end='2017-12-31'
-    
-    risk_free=0.015
-    simulation=25000
-    price_trend=True
-    feasible_set=True
-    efficient_frontier=True
-    MOP=True #Markowitz Optimized Point
-    MSR=True #Maximized Sharpe Ratio
-    
-    ef_adjust=1.008
-    
-    markowitz_sharpe(components,start,end)
-    markowitz_sharpe(components,start,end,ef_adjust=1.008)
-    markowitz_sharpe(components,start,end,MOP=True)
-    markowitz_sharpe(components,start,end,MSR=True)
-    markowitz_sharpe(components,start,end,MOP=True,MSR=True)
-
-def markowitz_sharpe(components,start,end,risk_free=0.015,simulation=25000, \
-                     price_trend=True,feasible_set=True,efficient_frontier=True, \
-                     MOP=False,MSR=False,ef_adjust=1.008): 
-    """
-    功能：使用期间内夏普比率寻找马科维茨最优点，绘制可行集、有效边界和最优点
-    components：投资组合成分股票代码与名称，节省搜索股票名称的时间
-    start,end：开始/结束日期
-    risk_free：人工指定无风险利率，节省搜索时间，减少搜索失败概率
-    simulation：生成可行集的模拟次数
-    price_trend：是否绘制各个成分股票的价格走势，采用股价/起点股价的比值，可一图绘制多只股票
-    feasible_set：是否绘制可行集
-    efficient_frontier：是否绘制有效边界
-    MOP：是否标注MOP点，Markowitz Optimized Point，可能与MSR点不同
-    MSR：是否标注MSR点，Maximized Sharpe Ratio，可能与MOP点不同
-    ef_adjust：对有效边界曲线微调，使其处于可行集的上边沿
-    """
-    #获取股票数据
-    tickers=list(components)
-    stock_data=get_prices(tickers,start,end)['Close']
-    stock_data.rename(columns=components,inplace=True)
-     
-    stock_data=stock_data.iloc[::-1]
-    #stock_data.head()
-     
-    #画出收盘价走势图
-    sns.set_style("whitegrid")#横坐标有标线，纵坐标没有标线，背景白色
-    sns.set_style("darkgrid") #默认，横纵坐标都有标线，组成一个一个格子，背景稍微深色
-    sns.set_style("dark")#背景稍微深色，没有标线线
-    sns.set_style("white")#背景白色，没有标线线
-    sns.set_style("ticks")#xy轴都有非常短的小刻度
-    sns.despine(offset=30,left=True)#去掉上边和右边的轴线，offset=30表示距离轴线（x轴）的距离,left=True表示左边的轴保留
-    sns.set(font='SimHei',rc={'figure.figsize':(10,6)})# 图片大小和中文字体设置
-    
-    # 绘制各个成分股票的价格走势，采用股价/起点股价的比值，可一图绘制多只股票
-    if price_trend:
-        (stock_data/stock_data.iloc[0]).plot()
-        titletxt='投资组合的成分股价格走势示意图'
-        plt.xlabel('')
-        plt.ylabel("价格/起点值")
-        plt.title(titletxt)
-        plt.show()
-    
-    #------------------------------------------------------------------------------
-    # 计算收益率和风险
-    # 收益率
-    R=stock_data/stock_data.shift(1)-1
-    #R.head()
-    
-    # 对数收益率 
-    log_r=np.log(stock_data/stock_data.shift(1))
-    #log_r.head()
-    
-    # 年化收益率 
-    r_annual=np.exp(log_r.mean()*250)-1
-    #r_annual
-    
-    # 风险
-    std = np.sqrt(log_r.var() * 250)#假设协方差为0
-    #std
-    
-    #------------------------------------------------------------------------------
-    # 投资组合的收益和风险
-    def gen_weights(n):
-        w=np.random.rand(n)
-        return w /sum(w)
-     
-    n=len(list(tickers))
-    w=gen_weights(n)
-    #list(zip(r_annual.index,w))
-    
-    #投资组合收益
-    def port_ret(w):
-        return -np.sum(w*r_annual)
-    #port_ret(w)
-    
-    #投资组合的风险
-    def port_std(w):
-        return np.sqrt((w.dot(log_r.cov()*250).dot(w.T)))
-    #port_std(w)
-    
-    #若干投资组合的收益和风险
-    def gen_ports(times):
-        for _ in range(times):#生成不同的组合
-            w=gen_weights(n)#每次生成不同的权重
-            yield (port_std(w),port_ret(w),w)#计算风险和期望收益 以及组合的权重情况
-    
-    # 投资组合模拟次数
-    print("\n  Generating portfolio feasible set ...")
-    df=pd.DataFrame(gen_ports(25000),columns=["std","ret","w"])
-    #df.head()
-    std_min=df['std'].min()
-    std_max=df['std'].max()
-    
-    #------------------------------------------------------------------------------
-    #计算可行集中每个投资组合期间内的夏普比率
-    df['sharpe'] = (df['ret'] - risk_free) / df['std']
-    #list(zip(r_annual.index, df.loc[df.sharpe.idxmax()].w))
-    
-    # 画出投资可行集
-    df_ef=df.rename(columns={'std':'收益率标准差','ret':'收益率','sharpe':'夏普比率'})
-    fig, ax = plt.subplots()
-    titletxt="马科维茨投资组合示意图"
-    plt.title(titletxt)
-    
-    #df.plot.scatter('std','ret',c='sharpe',s=30,alpha=0.3,cmap='cool',marker='o',ax=ax)
-    df_ef.plot.scatter('收益率标准差','收益率',c='夏普比率',s=30,alpha=0.3,cmap='cool',marker='o',ax=ax)
-    plt.style.use('ggplot')
-    plt.rcParams['axes.unicode_minus'] = False# 显示负号
-    
-    #绘制有效边界曲线    
-    if efficient_frontier:
-        frontier=pd.DataFrame(columns=['std','ret'])
-        for std in np.linspace(std_min,std_max):    
-            res=opt.minimize(lambda x:-port_ret(x),
-                        x0=((1/n),)*n,
-                        method='SLSQP',
-                        bounds=((0,1),)*n,
-                        constraints=[
-                           {"fun":lambda x:port_std(x)-std,"type":"eq"},
-                           {"fun":lambda x:(np.sum(x)-1),"type":"eq"}
-                        ])
-            if res.success:
-                frontier=frontier.append({"std":std,"ret":-res.fun},ignore_index=True)
-        
-        # 略微上调有效边界
-        frontier2=frontier.copy()
-        """
-        fstd0=frontier2['std'].values[0]
-        frontier2['ret']=frontier2['ret'] * ef_adjust*fstd0/frontier2['std']
-        """
-        frontier2['ret']=frontier2['ret'] * ef_adjust
-        frontier3=frontier2.rename(columns={'std':'收益率标准差','ret':'收益率'})
-        frontier3.plot('收益率标准差','收益率',label='有效边界',lw=3,c='blue',ax=ax)
-        plt.legend()
-        fig
-    
-    #------------------------------------------------------------------------------
-    #单个投资组合的收益和风险
-    def one_ports(w):
-        return (port_std(w),port_ret(w),w)#计算风险和期望收益 以及组合的权重情况
-    
-    # 计算最优资产配置情况
-    if MOP:
-        res=opt.minimize(lambda x:-((port_ret(x)-risk_free)/port_std(x)),
-                        x0=((1/n),)*n,
-                        method='SLSQP',
-                        bounds=((0,1),)*n,
-                        constraints={"fun":lambda x:(np.sum(x)-1), "type":"eq"})
-        
-        ax.scatter(port_std(res.x),port_ret(res.x),label='MOP点',marker="*",c="brown",s=300)
-        ax.legend()
-        fig
-        
-        print("\n***马科维茨优化后组合(MOP)配置:")
-        ticker_names=components.values()
-        best_proportion=res.x.round(3)
-        #best_config = dict(zip(tickers, best_proportion))
-        best_config = dict(zip(ticker_names, best_proportion))
-        print(best_config)
-        
-        #计算期间内投资组合收益率均值
-        best_std,best_ret,_=one_ports(best_proportion)
-        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
-        
-        """
-        #绘制MOP组合价格走势
-        stock_data2=stock_data.copy()
-        stock_data2['MOP']=stock_data2.dot(best_proportion)
-        (stock_data2/stock_data2.iloc[0]).plot()
-        
-        titletxt='投资组合及其成分股价格走势示意图'
-        plt.xlabel('')
-        plt.ylabel("价格/起点值")
-        plt.title(titletxt)
-        plt.show()
-        """
-        
-    if MSR:
-        sharpe_max=df['sharpe'].max()
-        std_msr=df[df['sharpe']==sharpe_max]['std'].values[0]
-        ret_msr=df[df['sharpe']==sharpe_max]['ret'].values[0]
-        w_msr=df[df['sharpe']==sharpe_max]['w'].values[0]
-        
-        ax.scatter(std_msr,ret_msr,label='MSR点',marker="*",c="orange",s=300)
-        ax.legend()
-        fig
-        
-        print("\n***最大夏普比率组合(MSR)配置:")    
-        ticker_names=components.values()
-        best_proportion=w_msr
-        best_config = dict(zip(ticker_names, best_proportion.round(3)))
-        print(best_config)
-        
-        #计算期间内投资组合收益率均值
-        best_std,best_ret,_=one_ports(best_proportion)
-        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
-        
-        #绘制MOP组合价格走势
-        """
-        stock_data3=stock_data.copy()
-        stock_data3['MOP']=stock_data3.dot(best_proportion)
-        (stock_data3/stock_data3.iloc[0]).plot()
-        
-        titletxt='投资组合及其成分股价格走势示意图'
-        plt.xlabel('')
-        plt.ylabel("价格/起点值")
-        plt.title(titletxt)
-        plt.show()
-        """
-        
-    if MOP or MSR:
-        std_min=df['std'].min()
-        ret_gmvs=df[df['std']==std_min]['ret'].values[0]
-        w_gmvs=df[df['std']==std_min]['w'].values[0]
-        
-        ax.scatter(std_min,ret_gmvs,label='LVS点',marker="o",c="green",s=300)
-        ax.legend()
-        fig
-        
-        print("\n***最小波动风险组合(LVS)配置:")    
-        ticker_names=components.values()
-        best_proportion=w_gmvs
-        best_config = dict(zip(ticker_names, best_proportion.round(3)))
-        print(best_config)
-        
-        #计算期间内投资组合收益率均值
-        best_std,best_ret,_=one_ports(best_proportion)
-        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
-        
-        #绘制GMVS组合价格走势
-        """
-        stock_data4=stock_data.copy()
-        stock_data4['GMVS']=stock_data4.dot(best_proportion)
-        (stock_data4/stock_data4.iloc[0]).plot()
-
-        titletxt='投资组合及其成分股价格走势示意图'
-        plt.xlabel('')
-        plt.ylabel("价格/起点值")
-        plt.title(titletxt)
-        plt.show()
-        """
-        
-    return 
-
-
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-#------------------------------------------------------------------------------
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-

siat/markowitz_test.py

@@ -1,164 +0,0 @@
-# -*- coding: utf-8 -*-
-
-#==============================================================================
-import os; os.chdir("S:/siat"); from siat import *
-#==============================================================================
-
-#定义投资组合：我的组合001
-Market={'Market':('US','^GSPC','自选组合1号')}
-Stocks1={'AAPL':.02,'MSFT':.01,'AMZN':.03,'FB':.04,'GOOG':.05}
-Stocks2={'XOM':.2,'JNJ':.24,'JPM':.05,'TSLA':.06,'SBUX':.3}
-portfolio=dict(Market,**Stocks1,**Stocks2)
-
-#比较业绩表现：我的组合001，等权重组合，流动性组合
-pf_info=portfolio_expret(portfolio,'2019-12-31')
-pf_info_noRF=portfolio_expret(portfolio,'2019-12-31',RF=False)
-
-#观察投资组合成分股收益率之间的相关性
-portfolio_corr(pf_info)
-portfolio_corr(pf_info_noRF)
-
-#观察马科维茨可行集：收益率-标准差，接近椭圆形，可用于解释有效边界（左上沿）
-es=portfolio_es(pf_info,simulation=50000)
-#------------------------------------------------------------------------------
-
-portfolio_optimize_strategy(pf_info,ratio='sharpe',simulation=1000)
-portfolio_optimize_strategy(pf_info,ratio='sharpe',simulation=1000,RF=False)
-
-portfolio_optimize_strategy(pf_info,ratio='sortino',simulation=1000)
-portfolio_optimize_strategy(pf_info,ratio='sortino',simulation=1000,RF=False)
-
-portfolio_optimize_strategy(pf_info,ratio='alpha',simulation=1000)
-portfolio_optimize_strategy(pf_info,ratio='alpha',simulation=1000,RF=False)
-
-portfolio_optimize_strategy(pf_info,ratio='treynor',simulation=1000)
-portfolio_optimize_strategy(pf_info,ratio='treynor',simulation=1000,RF=False)
-
-
-#------------------------------------------------------------------------------
-#详细过程
-
-#观察马科维茨可行集：风险溢价-标准差，用于夏普比率优化
-es_sharpe=portfolio_es_sharpe(pf_info,simulation=50000)
-[[portfolio,_,_,_],_]=pf_info
-pname=portfolio_name(portfolio)
-
-#寻找夏普比率最优点：最大夏普比率策略MSR和最小风险策略GMV
-MSR_weights,GMVS_weights,portfolio_returns_sharpe=portfolio_optimize_sharpe(es_sharpe)
-
-#现有投资组合的排名
-portfolio_ranks(portfolio_returns_sharpe)
-
-#打印业绩表现：MSR组合和GMV组合
-portfolio_expectation2('MSR组合',pf_info,MSR_weights)
-portfolio_expectation2('GMVS组合',pf_info,GMV_weights)
-
-#绘制投资组合策略业绩比较曲线
-name_list=[pname,'MSR组合','GMVS组合']
-portfolio_expret_plot(portfolio_returns_sharpe,name_list)
-
-#------------------------------------------------------------------------------
-#观察马科维茨可行集：索替诺比率优化
-es_sortino=portfolio_es_sortino(pf_info,simulation=50000)
-
-#寻找比率最优点：
-MSO_weights,GML_weights,portfolio_returns_sortino=portfolio_optimize_sortino(es_sortino)
-
-#现有投资组合的排名
-portfolio_ranks(portfolio_returns_sortino)
-
-#打印业绩表现：MSO组合和GML组合
-portfolio_expectation2('MSO组合',pf_info,MSO_weights)
-portfolio_expectation2('GML组合',pf_info,GML_weights)
-
-#绘制投资组合策略业绩比较曲线
-portfolio_expret_plot(portfolio_returns_sortino)
-
-#------------------------------------------------------------------------------
-#观察马科维茨可行集：阿尔法优化
-es_alpha=portfolio_es_alpha(pf_info,simulation=50000)
-
-#寻找比率最优点：
-MAR_weights,GMBA_weights,portfolio_returns_alpha=portfolio_optimize_alpha(es_alpha)
-
-#现有投资组合的排名
-portfolio_ranks(portfolio_returns_alpha)
-
-#打印业绩表现：MAR组合和GMB组合
-portfolio_expectation2('MAR组合',pf_info,MAR_weights)
-portfolio_expectation2('GMBA组合',pf_info,GMB_weights)
-
-#绘制投资组合策略业绩比较曲线
-portfolio_expret_plot(portfolio_returns_alpha)
-
-#------------------------------------------------------------------------------
-#观察马科维茨可行集：特雷诺比率优化
-es_treynor=portfolio_es_treynor(pf_info,simulation=50000)
-
-#寻找比率最优点：
-MTR_weights,GMBT_weights,portfolio_returns_treynor=portfolio_optimize_treynor(es_treynor)
-
-#现有投资组合的排名
-portfolio_ranks(portfolio_returns_treynor)
-
-#打印业绩表现：MTR组合和GMB2组合
-portfolio_expectation2('MTR组合',pf_info,MTR_weights)
-portfolio_expectation2('GMBT组合',pf_info,GMB2_weights)
-
-#绘制投资组合策略业绩比较曲线
-portfolio_expret_plot(portfolio_returns_treynor)
-
-
-
-
-
-#==============================================================================
-import os; os.chdir("S:/siat")
-from siat.markowitz import *
-
-Market={'Market':('US','^GSPC')}
-Stocks={'AAPL':.1,'MSFT':.13,'XOM':.09,'JNJ':.09,'JPM':.09,'AMZN':.15,'GE':.08,'FB':.13,'T':.14}
-portfolio=dict(Market,**Stocks)
-
-pf_info=portfolio_cumret(portfolio,'2019-12-31')
-portfolio_covar(pf_info)
-portfolio_corr(pf_info)
-portfolio_expectation(pf_info)
-
-es_info=portfolio_es(pf_info,simulation=50000)
-
-df=portfolio_MSR_GMV(es_info)
-
-stocks=['IBM','WMT','AAPL','C','MSFT']
-ef=portfolio_ef(stocks,'2019-1-1','2020-8-1')
-
-
-
-
-
-_,_,tickerlist,sharelist=decompose_portfolio(portfolio)
-
-today='2020-12-31'
-pastyears=1
-
-pf_info=portfolio_cumret(portfolio,'2020-12-31')
-
-portfolio_covar(pf_info)
-
-portfolio_corr(pf_info)
-
-
-#定义投资组合
-Market={'Market':('US','^GSPC')}
-Stocks={'BABA':.4,'JD':.3,'PDD':.2,'VIPS':.1}
-portfolio=dict(Market,**Stocks)
-
-#搜寻该投资组合中所有成分股的价格信息，默认观察期为一年，pastyears=1
-pf_info=portfolio_cumret(portfolio,'2020-11-30',pastyears=1)
-
-#生成了投资组合的可行集
-es_info=portfolio_es(pf_info,simulation=50000)
-es_info10=portfolio_es(pf_info,simulation=100000)
-
-#寻找投资组合的MSR优化策略点和GMV优化策略点
-psr=portfolio_MSR_GMV(es_info)

siat/markowitz_test2.py

@@ -1,69 +0,0 @@
-# -*- coding: utf-8 -*-
-import os; os.chdir('S:/siat')
-from siat import *
-
-#==============================================================================
-# 近三年期间
-start='2023-1-1'; end='2023-4-10'
-
-# 一级行业
-print_industry_sw(itype='I')
-
-# 二级行业
-print_industry_sw(itype='T')
-
-# 三级行业
-print_industry_sw(itype='3')
-
-# 搜索行业数据并进行初步计算：基于申万行业分类
-# 本步骤可能耗费较多时间，具体取决于网速和电脑计算速度
-idf1,idfall1=get_industry_info_sw(start,end,itype='I')
-
-idf2,idfall2=get_industry_info_sw(start,end,itype='T')
-
-idf3,idfall3=get_industry_info_sw(start,end,itype='3')
-
-# 收益排名
-idf=idf1
-df1=rank_industry_sw(idf1,measure='Exp Ret%',
-                     axisamp=0.9)
-
-df2=rank_industry_sw(idf2,measure='Exp Ret%')
-
-industries=['游戏Ⅲ','通信网络设备及器件','国际工程','横向通用软件','激光设备','集成电路封测','安防设备']
-df3=rank_industry_sw(idf3,measure='Exp Ret%',industries=industries,axisamp=2.5)
-
-
-# 选择感兴趣的行业，观察其持有收益率的发展趋势
-industries1=industry_sw_codes(['电力设备','食品饮料','国防军工','银行'])
-df1i=compare_industry_sw(idfall,industries1,measure='Exp Ret%')
-
-# 收益-风险性价比
-
-# 全行业，夏普比率横向对比
-df1sharpe=rank_industry_sw_sharpe(idfall,base_return='Exp Ret%',axisamp=0.8)
-
-# 感兴趣行业，时间序列对比
-df1isharpe=compare_industry_sw_sharpe(idfall,industries1,
-                               base_return='Exp Ret%')
-
-
-
-
-
-
-
-#==============================================================================
-
-# 一级行业
-print_industry_sw(itype='I')
-
-# 搜索行业数据并进行初步计算：基于申万行业分类
-# 本步骤可能耗费较多时间，具体取决于网速和电脑计算速度
-idf1,idfall1=get_industry_info_sw(start,end,itype='I')
-idf=idf1
-
-industries=['801770', '801720', '医药生物']
-df1=rank_industry_sw(idf1,measure='Exp Ret%',industries=industries,axisamp=0.9,printout=True)
-
-#==============================================================================

siat/ml_cases_example1.py

@@ -1,60 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-作者：王德宏
-功能：测试ml_cases中的函数功能，仅限测试用
-"""
-
-from siat import *
-dfprice=get_stock_price('MSFT','3/24/2022', '1/1/2015')
-dfprice.head(5)
-dfprice.tail(3)
-
-dfprice[dfprice.Date == '2019-03-20']
-dfprice[(dfprice.Date>='2019-03-11') & (dfprice.Date<='2019-03-15')]
-
-X,y,ndprice=make_price_sample(dfprice,1,240,20)
-
-from sklearn.model_selection import train_test_split
-X_train,X_test,y_train,y_test= train_test_split(X,y,random_state=0)
-
-from sklearn.neighbors import KNeighborsRegressor
-reg=KNeighborsRegressor(n_neighbors=10,weights='distance')
-
-reg.fit(X_train,y_train)
-reg.score(X_train,y_train)
-reg.score(X_test,y_test)
-
-X_new=ndprice[0,0:20]
-y_new=reg.predict(X_new)
-
-print(y_new)
-
-get_stock_price('MSFT', '3/25/2022', '3/24/2022')
-
-bestmodel,bestk,bestscore_train,bestscore_test=bestKN(X,y)
-print(bestk,bestscore_train,bestscore_test)
-
-y_new=bestmodel.predict(X_new)
-print(y_new)
-
-bestmodel,bestk,bestscore_train,bestscore_test,bestrate=bestKN2(X,y)
-print(bestk,bestscore_train,bestscore_test,bestrate)
-
-y_new=bestmodel.predict(X_new)
-print(y_new)
-
-
-bestmodel,bestf,bestk,bestscore_train,bestscore_test=bestFN(dfprice,1,240)
-print(bestf,bestk,bestscore_train,bestscore_test)
-X_new=ndprice[0,0:bestf]
-y_new=bestmodel.predict(X_new)
-print(y_new)
-
-bestmodel,bestf,bestk,bestscore_train,bestscore_test,bestrate=bestFN2(dfprice,1,240)
-print(bestf,bestk,bestscore_train,bestscore_test)
-X_new=ndprice[0,0:bestf]
-y_new=bestmodel.predict(X_new)
-print(y_new)
-
-fprice,fprice2=forecast_stock_price2(dfprice,1,240)
-forecast_stock_price('MSFT','2022-3-24',1)