主题：锦华新材申购预测（纯属个人爱好，据此申购责任自负）

开门见山，理由在后，免得翻找，预测资金总额在7700附近，顶格申购11+1，正股线248，碎股线454。安全垫加多少自己权衡，加少了别来喷。

周五公务繁忙，很晚才归，因此这次看了很多人的预测，几乎一边倒的预测在8000亿以上，真的如此，恭喜北证冻结资金再上台阶，现实怎样，下周二见分晓，最近一直思考机构账户究竟有多少？也就是资金无限且不能分户的那种，三协电机之前我高估这部分资金了，这次希望低估。

厦门那片大海网友的统计帖看过，我也就是根据模型结论加上自己对市场的理解蒙对一次，更多看到的是世昌股份预测帖下面碎股翻车的问责，所以上一次真的有点冰火两重天，正股精准，碎股偏离较多。其实预测是一回事，个人操作是另外一回事，我自己都没有去博1+1，而是选择460万去安全拿正股，90万申购了Reits。因为按照我自己安全垫的正股，碎股我也仅仅能够到下界，没有安全垫我也选择了放弃。因此翻车的网友可能只有这点资金，就信我的碎股预测，勉力申购了，就那么多资金，翻车找人顶锅不太厚道吧？

这次有两个临界点，众人选择性无视第一个点有点费解，低于7944亿和高于8738，前者顶格获配12手，后者只有10手。

下面是预测表和计算程序

公司名称	网上发行	顶格申购股数	申购价格	顶格所需资金	申购总额	正股线	顶正比	碎股预测
锦华新材	3103.2	155.16	18.15	2816	7700	248	11.35	454
	3103.2	155.16	18.15	2816	7800	251	11.20	489
	3103.2	155.16	18.15	2816	7900	255	11	556
	3103.2	155.16	18.15	2816	8000	258	10.92	411
	3103.2	155.16	18.15	2816	8100	261	10.79	426
	3103.2	155.16	18.15	2816	8200	264	10.66	443
	3103.2	155.16	18.15	2816	8300	267	10.53	462
	3103.2	155.16	18.15	2816	8400	271	10.40	485
	3103.2	155.16	18.15	2816	8500	274	10.28	513
	3103.2	155.16	18.15	2816	8600	277	10.16	551
	3103.2	155.16	18.15	2816	8700	280	10.04	628
	3103.2	155.16	18.15	2816	8800	284	9.93	450

?正确的梯度提升回归模型 - 仅使用独立预测变量
处理后的数据（仅含独立变量）:
> print(round(data, 2))
申购总额 顶格资金 网上发行 申购价格 资金发行比 价格资金比 发行价格积
1 6496 812.81 1491.40 10.90 0.54 0.01 16256.26
2 6736 754.96 1710.00 8.83 0.44 0.01 15099.30
3 7357 1424.15 1805.00 15.78 0.79 0.01 28482.90
4 5645 506.14 1404.00 7.21 0.36 0.01 10122.84
5 7409 1336.34 2914.60 9.17 0.46 0.01 26726.88
6 7315 1776.34 2040.66 17.41 0.87 0.01 35527.89
7 6146 1276.51 1064.29 23.99 1.20 0.02 25532.32
> print(cor_df)
特征 相关性 绝对相关性
价格资金比 价格资金比 -0.788 0.788
网上发行 网上发行 0.760 0.760
顶格资金 顶格资金 0.750 0.750
发行价格积 发行价格积 0.750 0.750
申购价格 申购价格 0.084 0.084
资金发行比 资金发行比 0.084 0.084
>
> # 选择相关性最高的3个特征
> selected_features <- cor_df$特征[1:3]
> cat("\n选择的相关性最高的特征:\n")
选择的相关性最高的特征:
> print(selected_features)
[1] "价格资金比" "网上发行" "顶格资金"
训练梯度提升模型...
> model <- simple_gb(X_selected, y, n_trees = 30, learning_rate = 0.03)
迭代 5: MAE = 473.4
迭代 10: MAE = 413.6
迭代 15: MAE = 362.2
迭代 20: MAE = 318.2
迭代 25: MAE = 280.3
迭代 30: MAE = 247.8
预测结果对比:
> print(results)
实际值 预测值 绝对误差 相对误差百分比
1 6496 6514.1 18.1 0.28
2 6736 6600.0 136.0 2.02
3 7357 6984.9 372.1 5.06
4 5645 6295.6 650.6 11.53
5 7409 7124.0 285.0 3.85
6 7315 7240.8 74.2 1.01
7 6146 6344.6 198.6 3.23
> # 计算评估指标
> r2_score <- 1 - sum((y - predictions)^2) / sum((y - mean(y))^2)
> mae <- mean(abs(y - predictions))
> rmse <- sqrt(mean((y - predictions)^2))
>
> cat("\n模型评估指标:\n")
模型评估指标:
> cat("R2 Score:", round(r2_score, 3), "\n")
R2 Score: 0.745
> cat("MAE:", round(mae, 1), "万元\n")
MAE: 247.8 万元
> cat("RMSE:", round(rmse, 1), "万元\n")
RMSE: 317.8 万元
> # 对新数据进行预测
> new_data <- data.frame(
+ 顶格资金 = 2816.154,
+ 网上发行 = 3103.2,
+ 申购价格 = 18.15
新数据特征:
> print(new_data)
顶格资金 网上发行 申购价格 资金发行比 价格资金比 发行价格积
1 2816.154 3103.2 18.15 0.9075 0.00644496 56323.08
# 使用梯度提升模型进行预测
最终预测结果汇总:
> print(final_summary)
预测方法 预测值 说明
梯度提升回归 7894 基于集成学习?

这里的运行结果是7894，根据先前的预测误差，下界向下推移，预测资金总额>7700