python-ml-class/src/LinearRegressionFundamental.py at main · edumgt/python-ml-class · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
import os
import time

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import korean_font  # noqa: F401
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error
from sklearn.model_selection import train_test_split

os.makedirs("../result", exist_ok=True)

print("=" * 55)
print("  선형 회귀: PER/PBR/ROE → 종목 기대 수익률 예측")
print("=" * 55)

print("\n[1/5] 종목 펀더멘털 데이터 로딩 중...")
time.sleep(0.5)
data = pd.DataFrame({
    'PER': [8.1, 10.5, 7.8, 15.2, 11.3, 9.6, 12.4, 6.9, 14.7, 8.8],
    'PBR': [0.8, 1.2, 0.7, 1.8, 1.1, 0.9, 1.4, 0.6, 1.7, 0.85],
    'ROE': [14.2, 12.5, 16.1, 9.2, 11.8, 13.7, 10.1, 17.4, 8.6, 15.3],
    '기대수익률': [9.5, 7.2, 10.4, 4.8, 6.9, 8.1, 5.9, 11.0, 4.5, 9.0],
})
print(data.to_string(index=False))
time.sleep(0.5)

print("\n[2/5] 학습/테스트 세트 분리 중 (8:2)...")
time.sleep(0.5)
X = data[['PER', 'PBR', 'ROE']]
y = data['기대수익률']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"   → 학습: {len(X_train)}개, 테스트: {len(X_test)}개")
time.sleep(0.3)

print("\n[3/5] 선형 회귀 모델 학습 중...")
print("   수식: 기대수익률 = w0 + w1×PER + w2×PBR + w3×ROE")
time.sleep(0.8)
model = LinearRegression()
model.fit(X_train, y_train)
print("   → 학습 완료!")
for feat, coef in zip(['PER', 'PBR', 'ROE'], model.coef_):
    print(f"      {feat} 계수: {coef:.4f}")
    time.sleep(0.2)

print("\n[4/5] 테스트 세트 성능 평가 중 (MAE)...")
time.sleep(0.5)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
for real, pred in zip(y_test, y_pred):
    print(f"   실제={real:.1f}%  예측={pred:.2f}%  오차={abs(real - pred):.2f}%")
    time.sleep(0.2)
print(f"   → 평균 절대 오차(MAE): {mae:.4f}%")
time.sleep(0.3)

print("\n[5/5] 새 종목 기대 수익률 예측 중 (PER=9.2, PBR=0.95, ROE=14.8)...")
time.sleep(0.5)
new_stock = pd.DataFrame({'PER': [9.2], 'PBR': [0.95], 'ROE': [14.8]})
predicted = model.predict(new_stock)
print(f"   → 예상 기대 수익률: {predicted[0]:.2f}%")

print("\n[6/5] 결과 시각화 중 (실제 vs 예측 수익률 산점도)...")
time.sleep(0.3)

# 전체 데이터로 예측값 계산 (시각화용)
y_all_pred = model.predict(X)
y_all = y.values

fig, ax = plt.subplots(figsize=(7, 5))
ax.scatter(y_all, y_all_pred, c='steelblue', edgecolors='k', linewidths=0.5,
           zorder=3, label='회사 데이터 점')

# 완벽한 예측일 때의 대각선 (y = x)
lim_min = min(y_all.min(), y_all_pred.min()) - 0.5
lim_max = max(y_all.max(), y_all_pred.max()) + 0.5
diag = np.linspace(lim_min, lim_max, 100)
ax.plot(diag, diag, color='tomato', linewidth=2, linestyle='--', label='완벽한 예측선')

ax.set_xlabel("실제 기대 수익률 (%)")
ax.set_ylabel("예측 기대 수익률 (%)")
ax.set_title("선형 회귀: PER/PBR/ROE → 기대 수익률 예측")
ax.legend()

# ── 초등학생도 이해할 수 있는 한글 설명 어노테이션 ──────────────────────────
# 각 점 설명 – 첫 번째 점에 화살표
ax.annotate('점 하나 = 회사 한 곳\n(실제와 예측 수익률 비교)',
            xy=(y_all[0], y_all_pred[0]),
            xytext=(y_all[0] + 0.8, y_all_pred[0] - 0.8),
            fontsize=7, color='#333',
            arrowprops=dict(arrowstyle='->', color='#333', lw=1.0),
            bbox=dict(boxstyle='round,pad=0.2', facecolor='white', alpha=0.8))

# 회귀(대각)선에 화살표
mid = len(diag) // 2
ax.annotate('이 직선으로 미래 수익률을 예측해요\n(점이 선에 가까울수록 예측이 정확!)',
            xy=(diag[mid], diag[mid]),
            xytext=(diag[mid] + 1.2, diag[mid] - 1.0),
            fontsize=7, color='darkred',
            arrowprops=dict(arrowstyle='->', color='darkred', lw=1.0),
            bbox=dict(boxstyle='round,pad=0.2', facecolor='white', alpha=0.8, edgecolor='tomato'))

# x축 보충 설명
ax.text(0.5, -0.13, '실제로 올랐던 수익률 (정답) →  오른쪽일수록 더 많이 오른 회사',
        transform=ax.transAxes, ha='center', fontsize=7, color='gray')
# y축 보충 설명
ax.text(-0.22, 0.5, '컴퓨터가 예측한 수익률 →  위로 갈수록 더 오를 거라고 예측',
        transform=ax.transAxes, va='center', rotation=90, fontsize=7, color='gray')

# 전체 그래프 한 줄 요약
fig.text(0.5, 0.995,
         'PER·PBR 같은 회사 성적표로 주가 상승률을 예측합니다',
         ha='center', fontsize=9, color='#333', weight='bold', va='top')
# ────────────────────────────────────────────────────────────────────────────

plt.tight_layout()
plt.savefig("../result/LinearRegressionFundamental.png", dpi=150, bbox_inches="tight")
print("   → 그래프 저장: result/LinearRegressionFundamental.png")

print("\n✓ 펀더멘털 선형 회귀 실습 완료!\n")