99%的普通人可能会想：机器学习是不是离我们很远？是不是得是数学系出身、懂AI才能搞？
其实啊，不用那么复杂！机器学习，说白了，就是让电脑自己学经验，帮你做判断。就像你小时候看多了猫狗的照片，后来不用人教也能一眼认出来，这就是人类的“学习”。电脑呢？也类似，也是看图学样子，慢慢从数据里“悟”出来一些规律。
今天花姐带你搞点实在的，用Python做一个分类模型，让它告诉我们：明天股市涨还是跌？该买还是该卖？
入门准备：你得会点啥？
在开始之前，有几个小前提，咱先说清楚。
你起码要：
- 会用Python做点基本数据处理（不会也行，我代码写得很清楚）知道怎么拿到股票数据，比如用
AKShare、tushare、baoStock等最好对股票市场有点基础概念（但不强求）如果你是完全0基础，也别慌，你可以收藏起来等你以后想学的时候再翻出来。
什么是机器学习？
简单说，它是这样一件事：
我们不再告诉电脑“你遇到什么情况该怎么做”，而是——我们给它很多例子，它自己去总结规律。
举个例子：
以前如果要写个自动驾驶的程序，代码会这样写：
if 遇到红灯: 停车if 遇到绿灯： 行走if 遇到黄灯： 等一等现在不需要这么麻烦了。你把几千张有红灯、绿灯、黄灯的照片扔给它，它自己学着分辨。
股票市场也一样——你不告诉它“哪个形态会涨”，而是你喂给它历史数据，它自己去找规律。
分类模型是啥？
“分类”就是分门别类。电脑会看图说话，说：“这是涨的信号”“这是跌的信号”。
这就像你教小朋友认识水果：圆的是苹果，长的是香蕉，带毛的是猕猴桃，教多了，孩子看到新水果也能猜个八九不离十。
在股票里，我们可以做很多分类：明天涨 or 跌（这就是二分类）；买 / 持有 / 卖（这是多分类）；极端行情 or 普通震荡（不平衡分类），今天我们先从最简单的二分类学起来。
来，建个模型预测明天涨不涨
第一步：把工具都请出来
先把用到的Python包安装下
pip install pandas numpy baostock matplotlib seaborn scikit-learnpandas和numpy是用来处理数据的，baostock是用来获取股票行情的，matplotlib是画图的，seaborn是在matplotlib基础上封装的库，让画出来的图更美观，sklearn是用来做机器学习的，其中SVC 是支持向量机（Support Vector Classifier），一个分类模型。我们可以用它来判断股票明天是涨还是跌，属于“监督学习”的一类。accuracy_score用来评估模型效果的，比如模型预测得准不准，算个准确率出来，一看就知道行不行。
import pandas as pdimport numpy as npimport baostock as bsimport matplotlib.pyplot as pltimport seabornfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score第二步：下载沪深300指数行情
这里用沪深300指数来做演示，你也可以换成其它股票
# 登陆系统lg = bs.login()if lg.error_code != '0': print("登录失败，错误信息:", lg.error_msg)else: print("登录成功")# 获取沪深300指数日线数据，代码是“sh.000300”rs = bs.query_history_k_data_plus("sh.000300", "date,code,open,high,low,close,volume", start_date='2020-01-01', end_date='2025-06-10', frequency="d", adjustflag='3') # '3'代表不复权data_list = []while (rs.error_code == '0') & rs.next(): data_list.append(rs.get_row_data())df = pd.DataFrame(data_list, columns=rs.fields)# 登出bs.logout()# 转换为数字类型for col in ['open', 'high', 'low', 'close', 'volume']: df[col] = df[col].astype(float)df.close.plot(figsize=(10,5))plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文乱码plt.rcParams['axes.unicode_minus'] = False # 解决负数乱码问题plt.ylabel("沪深300 收盘价")plt.show()数据获取以后我们用plt绘制下收盘价走势图
第三步：明确“预测目标”
原始行情有了，接下来我们要通过程序来做标记，标记的内容为：
“明天会涨吗？”
代码是这么写的：
y = np.where(df['close'].shift(-1) > df['close'], 1, -1)这样我们会得到一个[-1 -1 1 ... 1 -1 -1]这样的数组，1表示明天会上涨，-1表示明天会下跌。
第四步：帮模型生成特征因子
到这一步，你可能在想：“模型怎么知道涨还是跌啊？凭感觉吗？”当然不是啦～我们得先喂给它一些线索，也就是——特征因子
其实特征因子嘛，说白了就是你“告诉模型看什么”的方式。能用的非常多，比如价格的变化（开盘、收盘、最高、最低）、技术指标（像RSI、MACD、布林带）、成交量的异动，甚至是某些衍生指标，比如过去几天的涨跌次数、震荡区间、强弱股排名等等。
聪明的你可能已经想到——“这些是不是都可以自己组合？”没错！这时候AI就能帮上大忙了。现在很多量化平台、甚至开源工具都可以帮你自动生成、组合和筛选因子。
df['open-close'] = df.open - df.closedf['high-low'] = df.high - df.lowdf['ma5'] = df['close'].rolling(window=5).mean() df = df.dropna() #计算均线后会产生空值，这里把空值删除X = df[['open-close', 'high-low','ma5']]上面的代码我们用了3个最简单的特征：
- 今开今收差值今高今低的波动幅度5日均线
生产环境下，请根据你自己的经验来设置
第五步：拆开数据，一部分训练，一部分测试
split = int(0.8 * len(df))X_train, y_train = X[:split], y[:split]X_test, y_test = X[split:], y[split:]这就像备战高考一样——通过3年的学习：看书、刷题（训练数据 train data）；然后高考那天，碰上一堆没见过的新题（测试数据 test data），看看到底学得怎么样。
第六步：模型上线！
cls = SVC().fit(X_train, y_train)SVC，也就是支持向量机，处理这种简单的分类任务——它真的蛮好用的，入门首选。
第七步：效果到底咋样？看看分数先！
accuracy_train = accuracy_score(y_train, cls.predict(X_train))accuracy_test = accuracy_score(y_test, cls.predict(X_test))print(f"\nTrain Accuracy: {accuracy_train*100:.2f}%")print(f"Test Accuracy: {accuracy_test*100:.2f}%")只要测试集 (Test Accuracy) 准确率超过50%，就已经打赢了“硬币交易者”😎
第八步：做点真实预测 + 模拟收益
df['Predicted_Signal'] = 0df['Predicted_Signal'].iloc[split:] = cls.predict(X_test)df['Return'] = np.log(df.close.shift(-1) / df.close) * 100df['Strategy_Return'] = df['Return'] * df['Predicted_Signal']这个逻辑很实在：如果模型说“涨”，我们就进场。回头看收益就知道对不对。
第九步：来，画个图，看赚钱没？
df['Strategy_Return'].iloc[split:].cumsum().plot(figsize=(10,5))plt.ylabel("Strategy Returns (%)")plt.show()这个图画出来，如果是一路向上，那你这策略就是“挣了”。
如果一地鸡毛……那也别伤心，至少你开始上手机器学习了！
花姐说
你可能会问：
花姐，这种模型真的能用吗？
我的回答是——它不能直接拿来上实盘。
这只是一个最基础的机器学习分类模型，还有很多需要改进的地方，比如：多加点特征，像MACD、RSI、布林线、量比啥的；更换不同的分类模型，比如逻辑回归、随机森林、XGBoost、甚至深度学习；用更长的数据周期、或者不同市场数据试试看；加点风控，比如止损止盈、资金管理、仓位控制等等
一句话：不断试，不断错，不断调。机器学习就是个炼丹过程。
你可以大胆动手改代码，每动一次，也许就离一个稳定盈利的策略更近一步
祝你越学越有感觉，越投越上头，早日训练出属于自己的赚钱模型！
