自古以來，黃金一直作為貨币而存在，就是在今天，黃金也具有非常高的儲藏價值，那麼有沒有可能預測出黃金價格的變化趨勢呢？
答案是肯定的，讓我們使用機器學習中的回歸算法來預測世界上貴重金屬之一,黃金的價格吧。
我們将建立一個機器學習線性回歸模型，它将從黃金ETF (GLD)的曆史價格中擷取資訊，并傳回黃金ETF價格在第二天的預測值。
GLD 是最大的以黃金進行直接投資的ETF交易基金。
（詳見：http://www.etf.com/GLD）
在python的開發環境下用機器學習預測黃金價格的步驟：
導入Python庫并讀取黃金ETF 的資料
定義解釋變量
将資料切分為模型訓練資料集和測試資料集
建立線性回歸模型
預測黃金ETF的價格
導入Python庫并讀取黃金 ETF 的資料
首先:導入實作此政策所需的所有必要的庫（LinearRegression，pandas，numpy，matplotlib，seaborn和fix_yahoo_finance)
然後我們讀取過去10年間每天黃金ETF的價格資料，并将資料儲存在Df中。我們移除那些不相關的變量并使用dropna函數删除NaN值。然後我們繪制出黃金ETF的收盤價格。
輸出
解釋變量是被用來決定第二天黃金ETF價格數值的變量。簡單地說，就是我們用來預測黃金ETF價格的特征值。本例中的解釋變量是過去3天和9天的價格移動平均值。我們使用dropna()函數删除NaN值，并将特征變量存于X中。
然而，你還可以在X中放入更多你認為對于預測黃金ETF價格有用的變量。這些變量可以是技術名額，也可以是另一種ETF的價格（如黃金礦工ETF (簡稱GDX)或石油ETF(簡稱USO)）或美國經濟資料。
定義因變量
同樣，因變量是取決于解釋變量的“被解釋變量”。簡單地說，在這裡就是我們試圖預測的黃金ETF價格。我們将黃金ETF的價格指派為y。
在此步驟中，我們将預測變量（解釋變量）資料和輸出（因變量）資料拆分為訓練資料集和測試資料集。訓練資料用于建立線性回歸模型，将輸入與預期輸出配對。測試資料用于評估模型的訓練效果。
前80%的資料用于訓練模型，其餘的資料用來測試模型。
X_train 和y_train是訓練資料集。
X_test & y_test是測試資料集。
接下來我們将建立一個線性回歸模型。什麼是線性回歸呢?
如果我們試圖捕捉可以最優解釋Y觀測值的X變量和Y變量之間的數學關系，我們将在X的觀測值形成的散點圖中去拟合一條線，那麼這條線，也就是x和y之間的方程就被稱為線性回歸分析。
再進一步地說，回歸解釋了因變量在自變量上的變化。因變量y是你想要預測的變量。自變量x是用來預測因變量的解釋變量。下面的回歸方程描述了這種關系:
然後我們利用拟合方法來拟合自變量和因變量(x和y)，進而生成系數和回歸常數。
黃金ETF價格=1.2×3天的移動平均價－0.2×9天的移動平均價+0.39
現在，是時候檢查模型是否在測試資料集中有效了。我們使用由訓練資料集建立的線性模型來預測黃金ETF的價格。預測模型可以得到給定解釋變量X後相應的黃金ETF價格(y)。
圖表顯示了黃金ETF價格的預測值和實際值（藍線是預測值，綠線是實際值）。
現在，讓我們使用score()函數來計算模型的拟合優度。
可以看出，模型的R²是95.81%。R²總是在0到100%之間。接近100%的分數表明該模型能很好地解釋黃金ETF的價格。
祝賀你，你剛剛學會了一種基本而又強大的機器學習技巧。
原文釋出時間為：2018-02-16
本文作者：文摘菌