基于SVR的时间序列股票价格预测测试集预测方法咨询

你只需要对测试集做和训练集完全一致的日期格式转换，之后调用训练好的SVR模型的predict方法即可，完整操作步骤如下：

1. 预处理测试集数据 #

和训练集的日期转换逻辑保持统一，处理为模型可接收的输入格式：

# 处理测试集日期
test_dates_df = test_df.copy()
test_dates_df = test_dates_df.reset_index()
# 保存测试集原始日期用于后续绘图
test_org_dates = test_dates_df['Date']
# 日期转数值格式，和训练集转换规则一致
test_dates_df['Date'] = test_dates_df['Date'].map(mdates.date2num)
# 转为模型要求的二维数组输入格式
test_dates = test_dates_df['Date'].to_numpy()
test_dates = np.reshape(test_dates, (len(test_dates), 1))
# 提取测试集真实调整后收盘价用于后续效果对比
test_real_prices = test_df['Adj Close'].to_numpy()

2. 执行测试集预测 #

直接调用已经拟合完成的svr_rbf模型生成预测结果：

test_pred_prices = svr_rbf.predict(test_dates)

3. （可选）完整效果可视化 #

可以把训练集、测试集的真实值和预测值放在同一张图里对比效果：

plt.figure(figsize = (15,7))
# 训练集部分
plt.plot(org_dates, prices, color= 'black', label= '训练集原始数据')
plt.plot(org_dates, svr_rbf.predict(dates), color= 'red', label= '训练集RBF模型预测值')
# 测试集部分
plt.plot(test_org_dates, test_real_prices, color= 'green', label= '测试集原始数据')
plt.plot(test_org_dates, test_pred_prices, color= 'blue', label= '测试集RBF模型预测值')

plt.xlabel('日期')
plt.ylabel('调整后收盘价')
plt.legend()
plt.show()

注：仅用日期作为单特征的SVR时序预测泛化能力有限，如果测试集预测偏差较大属于正常情况，实际使用建议加入成交量、均线、大盘指数等更多关联特征，同时网格搜索优化C、gamma超参数提升效果。

内容的提问来源于stack exchange，提问作者Akhter