分类： 记录生活

给表弟李@超支付宝转账500元

https://blog.csdn.net/qq_43596960?type=blog

2025-10-8、9来天津玩两天，昨天逛宜家，今天去山姆店玩玩。晚上8：20回沧州

肃宁万里镇尹家庄百年梨园，路途101公里。回来去了河间府署，河间瀛洲公园，经新华路，诗经东路，上保沧高速回沧州。

一、使用SPSS Modeler对股票数据进行预测可以按照以下步骤进行，主要包括数据准备、探索分析、建模和评估几个阶段：

1. 数据准备

（1）数据收集

• 获取股票历史数据：包括日期、开盘价、收盘价、最高价、最低价、成交量等基础指标。
• 可补充外部数据：如宏观经济指标（利率、GDP）、行业数据、新闻情绪等（需与股票数据时间对齐）。

（2）数据导入SPSS Modeler

• 打开SPSS Modeler，通过“源”节点（如“Excel”“文本文件”）导入数据。
• 确保日期格式正确（可通过“类型”节点设置为日期型），数值字段（如收盘价）设置为连续型。

（3）数据预处理

• 缺失值处理：使用“填充”节点，对缺失的价格或成交量用均值、中位数或前后值填充。
• 异常值处理：通过“分布”节点查看数据分布，用“过滤”节点移除极端异常值。
• 特征工程：
• 计算技术指标：如移动平均线（MA）、相对强弱指数（RSI）、MACD等（可通过“导出”节点手动计算）。
• 滞后特征：将前N天的收盘价作为特征（如用前3天收盘价预测第4天）。
• 目标变量定义：例如预测次日收盘价（需通过“排序”+“导出”节点创建滞后目标）。

2. 数据探索

• 使用“图形”节点（如散点图、时间序列图）观察股价趋势、季节性或周期性。
• 通过“相关”节点分析特征间的相关性，移除高度共线的特征（如收盘价与开盘价可能高度相关）。

3. 构建预测模型

SPSS Modeler提供多种时间序列或机器学习模型，常用的有：

（1）时间序列模型（适合有明显时序特征的数据）

• 指数平滑法：
• 拖入“时间序列”节点，选择目标变量（如收盘价）。
• 选择模型类型（简单指数平滑、 Holt线性趋势、 Holt-Winters季节性），设置时间间隔（如按日）。
• ARIMA模型：
• 在“时间序列”节点中选择ARIMA，自动或手动设置p（自回归项）、d（差分次数）、q（移动平均项）参数。

（2）机器学习模型（适合多特征预测）

• 回归模型：如线性回归、决策树回归、随机森林回归。
• 将数据拆分为训练集（70%-80%）和测试集（20%-30%）（使用“分区”节点）。
• 拖入对应模型节点（如“C&R树”“随机森林”），选择输入特征（如MA、成交量）和目标变量（次日收盘价）。
• 神经网络：适合非线性关系，通过“神经网络”节点设置隐藏层和迭代次数。

4. 模型评估与优化

• 评估指标：
• 回归模型：查看均方误差（MSE）、平均绝对误差（MAE）、R²值（越接近1越好）。
• 时间序列：观察预测值与实际值的拟合曲线（通过“分析”节点生成图表）。
• 优化方法：
• 调整模型参数（如ARIMA的p/d/q，决策树的深度）。
• 增加或筛选特征（通过“特征选择”节点保留重要特征）。
• 尝试不同模型组合（如集成多个模型的预测结果）。

5. 生成预测结果

• 对训练好的模型，使用“预测”节点应用到测试集或未来时间段（需准备无目标变量的未来特征数据）。
• 通过“表格”或“导出”节点输出预测结果，如次日收盘价或价格涨跌趋势。

注意事项

1. 股票市场受随机因素影响大，预测准确率通常有限，需谨慎解读结果。
2. 时间序列模型需确保数据的时间连续性，避免缺失关键时间点。
3. 可结合SPSS Modeler的自动化建模功能（如“自动分类器”“自动回归器”）快速测试多种模型。

通过以上步骤，可利用SPSS Modeler的可视化流程和丰富算法实现股票数据的预测分析。

---

二、使用 SPSS Modeler 对中国海油（stoc.csv）的股票数据进行预测，可按以下步骤操作，重点关注时间序列特征和预测模型构建：

使用SPSS Modeler对中国海油（stoc.csv）的股票数据进行预测，可按以下步骤操作，重点关注时间序列特征和预测模型构建：

1. 数据导入与格式处理

（1）导入数据

• 打开SPSS Modeler，在画布左侧“源”面板中找到“文本文件”节点，拖到画布上。
• 双击该节点，点击“浏览”选择你的stoc.csv文件，点击“读取值”让系统自动识别字段格式。
• 确保关键字段正确识别：日期（如date）设为“日期型”，开盘价、收盘价、成交量等设为“连续型”。

（2）数据排序

• 股票数据需按时间顺序排列，拖入“排序”节点，选择日期字段升序排列（旧→新），连接到“文本文件”节点后运行。

2. 特征工程（关键步骤）

股票预测的核心是构建有效特征，拖入“导出”节点进行以下处理：

（1）创建目标变量（预测对象）

• 例如预测“次日收盘价”，在“导出”节点中设置：
• 新字段名：next_close（次日收盘价）
• 表达式：lag(close, -1)（取后一天的收盘价作为当前行的目标，需确保数据已按时间排序）

（2）构建技术指标特征

• 移动平均线（MA）：mean(close, 5)（5日均价）、mean(close, 20)（20日均价）
• 涨跌幅：(close - open)/open * 100（当日涨跌幅百分比）
• 成交量变化：volume - lag(volume, 1)（较前一日成交量变化）
• 高低价差：high - low（当日波动幅度）

（3）处理缺失值

• 目标变量next_close的最后一行会缺失（无次日数据），用“选择”节点过滤掉最后一行（$casenum < max($casenum)）。
• 其他缺失值用“填充”节点处理（如用前一天的值填充）。

3. 划分训练集与测试集

• 拖入“分区”节点，设置训练集占比（如70%）、测试集占比（30%），勾选“按时间顺序分区”（避免未来数据泄露到历史训练中）。

4. 选择预测模型

根据股票数据的时序特性，推荐两种模型：

（1）时间序列模型（适合短期趋势）

• 拖入“时间序列”节点，连接到“分区”节点。
• 双击配置：
• 目标字段：选择close（收盘价，若预测次日则选next_close）
• 时间字段：选择日期字段
• 模型类型：推荐“Holt-Winters”（含季节性）或“ARIMA”（自动参数搜索）
• 预测期限：设置需要预测的天数（如未来30天）

（2）机器学习回归模型（适合多特征影响）

• 若加入了多特征（如MA、成交量），可尝试“随机森林”或“梯度提升”：
• 拖入“随机森林”节点，输入特征选择构建的技术指标，目标字段选next_close。
• 运行后通过“分析”节点查看特征重要性（如哪些指标对股价影响更大）。

5. 模型评估与优化

• 拖入“评估”节点，连接到模型输出：
• 回归模型看RMSE（均方根误差） 和R²（越接近1越好）。
• 时间序列模型重点观察“预测值与实际值对比图”，看趋势是否贴合。
• 优化方向：
• 调整时间窗口（如MA用10日而非5日）。
• 增加外部特征（如原油价格、大盘指数，需与股票数据时间对齐）。
• 尝试不同模型组合（如用ARIMA捕捉趋势+随机森林修正细节）。

6. 生成未来走势预测

• 准备“未来特征数据”：若预测未来N天，需手动补充这N天的已知特征（如前N天的MA、宏观数据），目标变量留空。
• 拖入“预测”节点，选择训练好的模型和未来数据，输出预测结果（如predicted_next_close）。
• 通过“表格”或“图形”节点查看预测走势，导出为Excel或CSV。

注意事项

1. 股票数据受突发因素（政策、市场情绪）影响大，预测结果仅作参考，不可作为投资依据。
2. 若stoc.csv数据量少（如不足1年），优先用简单模型（如指数平滑），避免过拟合。
3. 可定期用新数据更新模型，提升预测适应性。

按以上步骤，即可利用SPSS Modeler的可视化流程完成中国海油股票的走势预测分析。

王兆明负责去照顾我老岳父的工作，今天中午做了顿饭，吃馒头，豆腐白菜，做了锅稀饭。晚上做了顿饭。简单，吃点面条。把我的小白菜扒了扒，有一颗鸡蛋。晚上我和敏姐没吃饭。晚上8点多去双清公园打了半个多小时的乒乓球，回家洗了个澡。回来弹了一会儿琴。

===== Basic Statistics =====
Total requests: 5723
Unique IPs: 4
Date range: 2025-10-02 00:01:04 to 2025-10-02 23:59:23
Total data transferred: 191756.02 KB

Request methods:
method
GET 4329
POST 1365
15
OPTIONS 12
HEAD 2
Name: count, dtype: int64

Status codes:
status_code
200 5496
404 117
206 44
301 20
400 15
403 13
304 8
500 5
302 4
408 1
Name: count, dtype: int64

Request types:
request_type
post 1517
other 1497
cron 1279
archive 883
static 263
login 206
dynamic 78
Name: count, dtype: int64

Top 10 IPs by request count:
ip
192.168.1.29 4233
192.168.1.167 832
127.0.0.1 409
192.168.1.191 249
Name: count, dtype: int64

Top 10 most requested paths:
path
/robots.txt 176
/wp-admin/admin-ajax.php 56
/ 55
/wp-includes/css/dist/block-library/style.min.css?ver=6.8.2 41
/wp-content/themes/clean-education/style.css?ver=20250618-151005 36
/wp-content/themes/clean-education/js/custom-scripts.min.js 36
/wp-content/themes/clean-education/js/navigation.min.js?ver=2.4 34
/wp-content/themes/clean-education/js/jquery.cycle/jquery.cycle2.min.js?ver=2.1.5 32
/wp-content/themes/clean-education/js/jquery.cycle/jquery.cycle2.flip.min.js?ver=2.4 32
/wp-content/themes/clean-education/css/blocks.css?ver=1.0 32
Name: count, dtype: int64
===== Hourly Request Distribution ======
Hour 0:00 – 309 requests
Hour 1:00 – 296 requests
Hour 2:00 – 260 requests
Hour 3:00 – 165 requests
Hour 4:00 – 174 requests
Hour 5:00 – 197 requests
Hour 6:00 – 203 requests
Hour 7:00 – 233 requests
Hour 8:00 – 193 requests
Hour 9:00 – 196 requests
Hour 10:00 – 207 requests
Hour 11:00 – 208 requests
Hour 12:00 – 181 requests
Hour 13:00 – 199 requests
Hour 14:00 – 224 requests
Hour 15:00 – 236 requests
Hour 16:00 – 213 requests
Hour 17:00 – 321 requests
Hour 18:00 – 209 requests
Hour 19:00 – 236 requests
Hour 20:00 – 345 requests
Hour 21:00 – 419 requests
Hour 22:00 – 210 requests
Hour 23:00 – 289 requests
Visualization saved as ‘web_log_analysis.png’

昨天下午4:20明杰上完老年大学巴拉提的课程以后去园博园赏菊了。宋姐给的票。非常的好。照了很多照片，录了视频。