如何在Python中用Rolling Regression实现股票次日调整收盘价预测

你的代码存在三个核心问题，直接导致结果不符合预期：

• 常数项未加入自变量矩阵：你虽然创建了const列，但exog参数只传入了Open和Close，模型根本没用到常数项
• 预测目标错位：当前代码是用当日的Open、Close预测当日的Adj Close，而你需要的是用当日特征预测次日的调整收盘价
• 窗口逻辑未匹配预测需求：窗口大小设为5时，需明确用前5天数据拟合模型，再预测第6天的价格

正确实现步骤 #

1. 预处理数据：创建滞后的目标变量

我们需要把Adj Close向后平移一期，让每一行的当日特征对应次日的调整收盘价，构建正确的预测关系：

# 生成次日调整收盘价作为预测目标，shift(-1)表示向下平移一行
df_20['next_adj_close'] = df_20['Adj Close'].shift(-1)
# 删除最后一行（无次日数据，无法用于预测）
df_20 = df_20.dropna(subset=['next_adj_close'])

2. 构建包含常数项的自变量矩阵

将你创建的const列加入自变量集合，确保模型包含截距项：

df_20['const'] = 1
# 自变量包含常数项、Open、Close
exog_vars = ['const', 'Open', 'Close']

3. 拟合滚动回归模型

窗口大小设为5，意味着用连续5天的数据拟合模型，再预测第6天的价格：

from statsmodels.regression.rolling import RollingOLS

# 目标变量是次日调整收盘价，自变量是包含常数项的特征集合
model = RollingOLS(endog=df_20['next_adj_close'], exog=df_20[exog_vars], window=5)
rres = model.fit()

4. 生成预测值与查看参数

拟合完成后，可查看滚动系数或生成对应预测值：

# 查看各窗口的回归系数
print(rres.params)

# 生成次日调整收盘价的预测值（前4行为NaN，因为凑不够5个样本的窗口）
df_20['predicted_next_adj_close'] = rres.predict()

结果说明 #

• 前4行的参数和预测值为NaN：因为窗口大小为5，需要至少5个样本才能拟合第一个有效模型
• 每个窗口的系数基于过去5天数据计算，对应的预测值是该窗口下一个交易日的调整收盘价

内容的提问来源于stack exchange，提问作者Jean-Paul Azzopardi