【大数据处理与可视化】七、时间序列分析

【大数据处理与可视化】七、时间序列分析

  • 实验目的
  • 实验内容
  • 实验步骤
    • 一、案例——股票收盘价分析
      • 1、读取数据,并转换成DataFrame对象展示
      • 2、将“交易日期”一列设置为行索引
      • 3、根据数据中“收盘价”一列的数据绘制一张折线图,以了解近些年来收盘价格的趋势
      • 4、通过降采样来减少一些数据量,将采样的频率由每周改成每天
      • 5、利用ARIMA模型将非平稳序列转换为平稳序列
        • 用图表表示当前的ACF系数
        • 用图表表示当前的PACF系数
        • 通过差分算法,将将非平稳序列转换为平稳序列
      • 6、使用时序图看一下ACF和PACF系数的变化
        • ACF系数
        • PACF系数
      • 7、绘制ARIMA模型
      • 8、使用2018年1月至2月的五粮液股票数据,对刚刚拟合后的ARIMA模型进行测试
  • 实验小结


实验目的

       能够熟练运用时间序列分析和ARIMA模型对数据进行分析。


实验内容

       股票收盘价分析:本实验以“五粮液”股票数据为例,结合时间序列及ARIMA模型对股票收盘价进行分析;使用2003至2018年的股票数据,其中2014-2017年的数据为训练数据,通过对这些数据的训练,实现对2018年1月至3月的收盘价进行预测,并将预测的结果与爬到的真实股价进行绘制对比。


实验步骤

一、案例——股票收盘价分析

1、读取数据,并转换成DataFrame对象展示

代码:

import pandas as pd
import datetime
import matplotlib.pylab as plt

from statsmodels.tsa.arima_model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

data_path=open(r'D:\test.csv')
shares_info = pd.read_csv(data_path)
shares_info

截图:

【大数据处理与可视化】七、时间序列分析_第1张图片


2、将“交易日期”一列设置为行索引

代码:

dates = pd.to_datetime(shares_info['交易日期'].values,format='%Y%m%d')
shares_info = shares_info.set_index(dates)
shares_info

截图:

【大数据处理与可视化】七、时间序列分析_第2张图片


3、根据数据中“收盘价”一列的数据绘制一张折线图,以了解近些年来收盘价格的趋势

代码:

plt.plot(shares_info['收盘价'])
plt.title('股票每日收盘价')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第3张图片


4、通过降采样来减少一些数据量,将采样的频率由每周改成每天

代码:

shares_info_week = shares_info['收盘价'].resample('W-MON').mean()
train_data = shares_info_week['2014': '2017']
plt.plot(train_data)
plt.title('股票周收盘均值')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第4张图片


5、利用ARIMA模型将非平稳序列转换为平稳序列

用图表表示当前的ACF系数

代码:

acf = plot_acf(train_data,lags=20)
plt.title('股票指数的ACF')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第5张图片

用图表表示当前的PACF系数

代码:

pacf = plot_pacf(train_data,lags=20)
plt.title('股票指数的PACF')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第6张图片

通过差分算法,将将非平稳序列转换为平稳序列

代码:

train_diff=train_data.diff()
diff = train_diff.dropna()
plt.figure()
plt.plot(diff)
plt.title('一阶差分')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第7张图片


6、使用时序图看一下ACF和PACF系数的变化

ACF系数

代码:

acf_diff = plot_acf(diff,lags=20)
plt.title('一阶差分的ACF')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第8张图片

PACF系数

代码:

pacf_diff = plot_pacf(diff,lags=20)
plt.title('一阶差分的PACF')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第9张图片


7、绘制ARIMA模型

代码:

model = ARIMA(train_data, order =(1,1,1),freq = 'W-MON')
arima_result = model.fit()
arima_result.summary()

截图:

【大数据处理与可视化】七、时间序列分析_第10张图片


8、使用2018年1月至2月的五粮液股票数据,对刚刚拟合后的ARIMA模型进行测试

代码:

pred_vals = arima_result.predict('2018-01-01','2018-02-26',dynamic=True,typ='levels')
stock_forcast=pd.concat([shares_info_week,pred_vals],axis=1,keys=['original','predicted'])
plt.figure()
plt.plot(stock_forcast)
plt.title('真实值 vs 预测值')
plt.show()

截图:

【大数据处理与可视化】七、时间序列分析_第11张图片


实验小结

       通过本次实验,我能够熟练运用时间序列分析和ARIMA模型对数据进行分析。在实验过程中遇到了很多硬件或者是软件上的问题,请教老师,询问同学,上网查资料,都是解决这些问题的途径。最终将遇到的问题一一解决最终完成实验。
注意事项:
1、有疑问前,知识学习前,先用搜索。
2、熟读写基础知识,学得会不如学得牢。
3、选择交流平台,如QQ群,网站论坛等。
4、尽我能力帮助他人,在帮助他人的同时你会深刻巩固知识。

你可能感兴趣的:(作业报告,数学建模,python,开发语言)