python股票预测_python时间序列预测股票走势

提示:这只是个训练模型,技术不具备实际意义,入市需谨慎。

首先调用tushare包

import tushare as ts

import pandas as pd

import matplotlib.pyplot as plt

查自己比较感兴趣的股票,这里我查找的是新能源/燃料电池/氢燃料,在数据库里查找下

concept = ts.get_concept_classified()

df = concept[concept.c_name=='燃料电池']

我们就用金龙汽车作为我们的股票分析对象吧。

data=ts.get_hist_data('600686')

将开盘价open作为我们的分析对象,在这里截取了一段相对趋势唯一的数据作为train_data。并且选取了最后的一部分数据作为test_data。如下图。

在导入数据的过程中遇到一个很奇怪的现象,那就是数据的行index是时间逆序排列,刚开始没注意,后来才发现,用DataFrame.sort_index()进行调整。

data= ts.get_hist_data('600686', start='2016-09-13',end='2017-02-15').sort_index()

testdata=ts.get_hist_data('600686',start='2017-02-16',end='2017-03-29').sort_index()

plt.figure(figsize=(10,6))

plt.plot(data.open, label='Raw')

plt.legend(loc=0)

我们想对该时间序列数据进行预测,我们需要先对该数据进行分析,判断它到底是不是平稳性数据。

#使用ADF单位根检验法检验时间序列的稳定性

#先做一个编译器

def tagADF(t):

result = pd.DataFrame(index=[

"Test Statistic Value", "p-value", "Lags Used",

"Number of Observations Used",

"Critical Value(1%)", "Critical Value(5%)", "Critical Value(10%)"

],columns=['value']

)

result['value']['Test Statistic Value']=t[0]

result['value']['p-value']=t[1]

result['value']['Lags Used']=t[2]

result['value']['Number of Observations Used'] = t[3]

result['value']['Critical Value(1%)']=t[4]['1%']

result['value']['Critical Value(5%)']=t[4]['5%']

result['value']['Critical Value(10%)']=t[4]['10%']

return result

我们调用python的统计包

import statsmodels.api as sm

import statsmodels.tsa.stattools as sts

这里会涉及到迪基-福勒检验的概念,后面我会抽时间补充这块知识。

adf_Data = sts.adfuller(data.open)

tagADF(adf_Data)

我们的前提假设是该数据是非平稳性数据,从p-value上我们看出,有78.68%的可信度证明这条假设。

接下来利用差分法构建平稳时间序列。

diff = data[['open']].diff(1).dropna()

plt.figure(figsize=(10,6))

plt.plot(diff, label='Diff')

plt.legend(loc=0)

验证是否是平稳性数据,重复上面的动作

adf_Data1 = sts.adfuller(diff.iloc[:,0])

tagADF(adf_Data1)

p-value很小,我们的假设失效,因此,diff数据序列符合平稳性要求。

ic = sm.tsa.arma_order_select_ic(

diff,

max_ar=4,

max_ma=2,

ic='hqic'

)

计算结果,order=(1,1)

ARMAModel = sm.tsa.ARMA(diff, order).fit()

delta = ARMAModel.fittedvalues - diff

score = 1 - delta.var()/diff.var()

plt.figure(figsize=(10, 6))

plt.plot(diff, 'r', label='Raw')

plt.plot(ARMAModel.fittedvalues, 'g',label='ARMA Model')

plt.legend()

遇到一个很诡异的事情,

p = ARMAModel.predict(

start='2017-02-16',

end='2017-03-29'

)

跑了四遍代码,重启了两遍kernel,还是不行

试了一下数字index,将就着用吧

p = ARMAModel.predict(

start=98,

end=127

)

还原数据

def revert(diffValues, *lastValue):

for i in range(len(lastValue)):

result = [];

lv = lastValue[i];

for dv in diffValues:

lv = dv + lv

result.append(lv)

diffValues = result

return diffValues;

r = revert(p, data.open[-1])

plt.figure(figsize=(10,6))

plt.plot(r,'g',label='Predict')

plt.plot(testdata.open,'r',label='Raw')

plt.legend()

你可能感兴趣的:(python股票预测)