輕鬆學習 Python |從基礎到應用，成為初級資料分析師

# 股市預測實作
環境: Google Colab
[Link](https://colab.research.google.com/drive/10QTeeOnISYaVDYdhOrFQwuw_gHcKmNn3#scrollTo=f6Teq125GChO)

## 步驟:

### 1. 環境設定

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from datetime import datetime, timedelta
from google.colab import drive
import os

# 設定繪圖風格
plt.style.use('seaborn-v0_8')
# 嘗試設定中文字型 (Colab 預設可能不支援中文顯示，若亂碼可忽略或需額外安裝字型)
plt.rcParams['font.sans-serif'] = ['sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 掛載 Google Drive
if not os.path.exists('/content/drive'):
    print("正在掛載 Google Drive...")
    drive.mount('/content/drive')
else:
    print("Google Drive 已掛載。")

# 設定存檔路徑
folder_name = 'ColabNotebooks'
save_dir = f'/content/drive/MyDrive/{folder_name}'

# 如果資料夾不存在，自動建立 (選用，或存至根目錄)
if not os.path.exists(save_dir):
    print(f"路徑 {save_dir} 不存在，將儲存於 MyDrive 根目錄。")
    save_dir = '/content/drive/MyDrive'

### 2. 互動式輸入股市代號

# ==========================================
# 互動式輸入股市代號
# ==========================================
print("\n" + "="*40)
user_input = input("請輸入台北股市代碼 (例如 2330, 2317, 0050): ").strip()
print("="*40 + "\n")

# 自動判斷並加上後綴
if user_input.isdigit():
    # 預設為上市股票 (.TW)，若是上櫃可手動輸入如 8069.TWO
    ticker = f"{user_input}.TW"
else:
    ticker = user_input.upper()

print(f"正在準備下載目標：{ticker} ...")

### 3. 網路爬蟲與資料處理

# ==========================================
# 網路爬蟲與資料處理
# ==========================================
try:
    end_date = datetime.now()
    start_date = end_date - timedelta(days=5*365)

    df = yf.download(ticker, start=start_date, end=end_date)

    if df.empty:
        raise ValueError("下載數據為空，請檢查股票代碼是否正確。")

    # 資料清理
    if 'Adj Close' in df.columns:
        df = df[['Adj Close']].copy()
        df.columns = ['Price']
    elif 'Close' in df.columns: # Fallback to 'Close' if 'Adj Close' is not available
        df = df[['Close']].copy()
        df.columns = ['Price']
    else:
        raise ValueError("下載數據中找不到 'Adj Close' 或 'Close' 價格欄位。")
    df = df.dropna()

    print(f"✅ 成功獲取 {ticker} 資料，共 {len(df)} 筆交易日數據。")

except Exception as e:
    print(f"❌ 下載失敗: {e}")
    # 停止執行後續程式
    exit()

### 4.模型預測

# ==========================================
# 模型運算 (趨勢 + 蒙地卡羅)
# ==========================================
# 計算統計參數
log_ret = np.log(df['Price'] / df['Price'].shift(1)).dropna() #計算每日對數報酬率（Log Returns）
mu = log_ret.mean() * 252  #年化平均報酬率μ
sigma = log_ret.std() * np.sqrt(252)  #年化波動度σ
last_price = df['Price'].iloc[-1]  #記錄最後一天的價格（模擬起點）

# 用線性回歸建立「趨勢線」模型
df['Date_Ordinal'] = df.index.map(pd.Timestamp.toordinal)   #轉換日期成數字（ordinal）
X = df[['Date_Ordinal']]
y = df['Price']
reg = LinearRegression().fit(X, y)   #訓練線性回歸模型（機器學習趨勢線）

# 蒙地卡羅模擬設定 (預測至 2026 年底)
target_date = datetime(2026, 12, 31)
days_to_predict = (target_date - df.index[-1]).days
num_simulations = 1000
dt = 1/252

# 使用幾何布朗運動（GBM）進行蒙地卡羅模擬（Monte Carlo Simulation），產生大量未來股價路徑（price paths）
np.random.seed(42)
random_shocks = np.random.normal(0, 1, (days_to_predict, num_simulations))
price_paths = np.zeros_like(random_shocks)
price_paths[0] = last_price

drift = (mu - 0.5 * sigma**2) * dt
shock = sigma * np.sqrt(dt)

for t in range(1, days_to_predict):
    price_paths[t] = price_paths[t-1] * np.exp(drift + shock * random_shocks[t])

# 統計結果
future_dates = [df.index[-1] + timedelta(days=x) for x in range(1, days_to_predict + 1)]
sim_mean = np.mean(price_paths, axis=1)
sim_upper = np.percentile(price_paths, 95, axis=1)
sim_lower = np.percentile(price_paths, 5, axis=1)

### 5. 視覺化繪圖

# ==========================================
# 視覺化繪圖
# ==========================================
plt.figure(figsize=(12, 7))
plt.plot(df.index, df['Price'], label='History', color='black')
plt.plot(future_dates, sim_mean, label='Forecast Mean (GBM)', color='red')
plt.fill_between(future_dates, sim_lower, sim_upper, color='red', alpha=0.1, label='90% Confidence Interval')
plt.axvline(x=datetime(2026, 1, 1), color='green', linestyle=':', label='Start of 2026')

plt.title(f'{ticker} Stock Price Prediction (2025-2026)', fontsize=16)
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 儲存圖片到 Drive
img_filename = f'{ticker.replace(".TW", "")}_Prediction_2026.png'
img_path = os.path.join(save_dir, img_filename)
plt.savefig(img_path)
print(f"✅ 預測圖表已儲存至: {img_path}")

plt.show()

# ==========================================
# 儲存預測數據到 Google Drive
# ==========================================
# 整理預測數據 (只取平均預測路徑)
forecast_df = pd.DataFrame({
    'Date': future_dates,
    'Predicted_Price_Mean': sim_mean,
    'Lower_Bound_5%': sim_lower,
    'Upper_Bound_95%': sim_upper
})
forecast_df.set_index('Date', inplace=True)

# 合併歷史與預測資料 (選用)
csv_filename = f'{ticker.replace(".TW", "")}_Analysis_Data.csv'
csv_path = os.path.join(save_dir, csv_filename)

try:
    # 將歷史數據與預測數據分開存，或者您希望存成兩個 sheet 也可以，這裡存成簡單 CSV
    # 這裡示範儲存預測結果
    forecast_df.to_csv(csv_path)
    print(f"✅ 詳細預測數據已儲存至: {csv_path}")
    print(f"\n2026 年底預測價格 (Mean): {sim_mean[-1]:.2f}")
except Exception as e:
    print(f"❌ 存檔失敗: {e}")