使用 Facebook Prophet 预测股价

时间序列预测可用于广泛的应用，如预算预测、股票市场分析等。但预测正确的预测也很有用，因此由于潜在的假设和因素，不容易自动化.做出准确预测的分析师也很少，他们有很大的市场，因为它需要对统计和数据分析有充分的了解，并且有制作时间序列预测的经验。

Facebook 于 2017 年开源了其名为 Prophet 的时间序列预测工具，该工具由熟练的分析师以最少的人力做出准确的预测。 Facebook 先知以Python和 R/ 中的 API 形式提供

先知如何运作：

Facebook Prophet 使用 Additive Regressive 模型，使用以下四个组件：

y(t) = g(t) + s(t) + h(t) + \epsilon_t

• g(t)：分段线性或逻辑增长曲线趋势。 Prophet 通过从数据中选择变化点来自动检测趋势变化。
• s(t)：使用傅立叶级数建模的年度季节性分量和使用虚拟变量建模的每周季节性分量
• h(t)：用户提供的重要假期列表。
• e _t :错误 先知使用的术语。

Facebook Prophet 的优势：

先知针对在 Facebook 遇到的业务相关问题进行了优化，具有以下特点：

• Facebook 预言家与熟练的分析师一样准确，可以在几秒钟内产生结果
• Facebook 先知需要最少的数据处理，并且可以处理多个异常值和空值。
• 用户可以手动添加季节性和假期值，这有助于轻松整合特定领域知识。

在这篇文章中，我们将使用Python的 Facebook 先知。我们尝试使用（2015-2019）的股价数据来预测亚马逊股票（2019-2020）的股价。

执行：

• 对于这篇文章，我们将使用亚马逊股票价格数据，可以从雅虎财经网站下载。
• 首先，我们需要安装 fbprophet 工具，可以在Python中使用以下命令安装它。

Requirement already satisfied: fbprophet in /usr/local/lib/python3.6/dist-packages (0.6)
Requirement already satisfied: Cython>=0.22 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (0.29.21)
Requirement already satisfied: cmdstanpy==0.4 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (0.4.0)
Requirement already satisfied: pystan>=2.14 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (2.19.1.1)
Requirement already satisfied: numpy>=1.10.0 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (1.18.5)
Requirement already satisfied: pandas>=0.23.4 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (1.0.5)
Requirement already satisfied: matplotlib>=2.0.0 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (3.2.2)
Requirement already satisfied: LunarCalendar>=0.0.9 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (0.0.9)
Requirement already satisfied: convertdate>=2.1.2 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (2.2.1)
Requirement already satisfied: holidays>=0.9.5 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (0.9.12)
Requirement already satisfied: setuptools-git>=1.2 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (1.2)
Requirement already satisfied: python-dateutil>=2.8.0 in /usr/local/lib/python3.6/dist-packages (from fbprophet) (2.8.1)
Requirement already satisfied: pytz>=2017.2 in /usr/local/lib/python3.6/dist-packages (from pandas>=0.23.4->fbprophet) (2018.9)
Requirement already satisfied: cycler>=0.10 in /usr/local/lib/python3.6/dist-packages (from matplotlib>=2.0.0->fbprophet) (0.10.0)
Requirement already satisfied: kiwisolver>=1.0.1 in /usr/local/lib/python3.6/dist-packages (from matplotlib>=2.0.0->fbprophet) (1.2.0)
Requirement already satisfied: pyparsing!=2.0.4, !=2.1.2, !=2.1.6, >=2.0.1 in /usr/local/lib/python3.6/dist-packages (from matplotlib>=2.0.0->fbprophet) (2.4.7)
Requirement already satisfied: ephem>=3.7.5.3 in /usr/local/lib/python3.6/dist-packages (from LunarCalendar>=0.0.9->fbprophet) (3.7.7.1)
Requirement already satisfied: pymeeus<=1, >=0.3.6 in /usr/local/lib/python3.6/dist-packages (from convertdate>=2.1.2->fbprophet) (0.3.7)
Requirement already satisfied: six in /usr/local/lib/python3.6/dist-packages (from holidays>=0.9.5->fbprophet) (1.12.0)

• 现在，我们需要导入 fbprophet 和其他一些模块来进行数据处理和绘图。我们将使用均方误差和平均绝对误差作为我们的指标。

代码：

python3

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import fbprophet as fbp
from sklearn.metrics import mean_squared_error, mean_absolute_error
# Use fivethirtyeight plot style
plt.style.use('fivethirtyeight')

• 现在，我们将从 CSV 文件中读取数据并将它们放入 pandas 数据框中。

代码：

蟒蛇3

# We will be using amazon share price dat whichcanbe downloaded from YAHOO finance website.
df = pd.read_csv('sample_data / AMZN.csv')
df.head()

输出：

Date    Open    High    Low    Close    Adj Close    Volume
0    2015-07-21    487.899994    488.880005    482.549988    488.000000    488.000000    3181800
1    2015-07-22    485.989990    492.500000    484.899994    488.269989    488.269989    3114900
2    2015-07-23    491.660004    491.660004    475.700012    482.179993    482.179993    9374400
3    2015-07-24    578.989990    580.570007    529.349976    529.419983    529.419983    21909400
4    2015-07-27    527.750000    544.950012    526.599976    531.409973    531.409973    7491000

• 由于我们只需要两列日期和调整后的收盘价，因此，我们对原始数据集进行子集化以获取这些列。由于数据需要以两列的形式出现在先知中，名为 ds（用于日期列）和 y（用于数据列）。

代码：

蟒蛇3

# add two columnsin dataframe having values as Date and Adj Close
df[['ds', 'y']] = df[['Date', 'Adj Close']]
# Subset two columns from data frame
df = df[['ds', 'y']]
 
df.head()

输出：

ds    y
0    2015-07-21    488.000000
1    2015-07-22    488.269989
2    2015-07-23    482.179993
3    2015-07-24    529.419983
4    2015-07-27    531.409973

• 现在，我们将数据框分为训练数据和测试数据，我们将使用 4 年的数据进行训练，使用 1 年的数据进行测试。

代码：

蟒蛇3

# split data frame  into two parts train and test
split_date = "2019-07-21"
df_train = df.loc[df.ds <= split_date].copy()
df_test = df.loc[df.ds > split_date].copy()

• 现在，我们实例化 Facebook 先知 API，这个先知 API 的工作方式类似于 scikit-learn。它使用 fit函数将数据集拟合到模型中，并使用 predict函数来预测未来值。

代码：

蟒蛇3

# Instantiate prophet
model = fbp.Prophet()
# fit the training data
model.fit(df_train)

• 现在，我们使用 predict函数来预测未来 1 年的股价。

代码：

蟒蛇3

forecast = model.predict(df_test)
forecast.tail()

输出：

ds    trend    yhat_lower    yhat_upper    trend_lower    trend_upper    additive_terms    additive_terms_lower    additive_terms_upper    weekly    weekly_lower    weekly_upper    yearly    yearly_lower    yearly_upper    multiplicative_terms    multiplicative_terms_lower    multiplicative_terms_upper    yhat
247    2020-07-14    1992.862925    1479.553875    2566.925238    1403.962381    2483.045869    93.536964    93.536964    93.536964    -25.535936    -25.535936    -25.535936    119.072900    119.072900    119.072900    0.0    0.0    0.0    2086.399889
248    2020-07-15    1993.215324    1485.368711    2575.314593    1401.835761    2485.386736    97.405883    97.405883    97.405883    -25.138654    -25.138654    -25.138654    122.544537    122.544537    122.544537    0.0    0.0    0.0    2090.621207
249    2020-07-16    1993.567723    1484.197262    2589.201052    1399.740456    2487.727602    100.236350    100.236350    100.236350    -25.549805    -25.549805    -25.549805    125.786155    125.786155    125.786155    0.0    0.0    0.0    2093.804073
250    2020-07-17    1993.920121    1478.807958    2617.093500    1397.645151    2490.068469    99.309824    99.309824    99.309824    -29.445843    -29.445843    -29.445843    128.755666    128.755666    128.755666    0.0    0.0    0.0    2093.229945
251    2020-07-20    1994.977318    1475.034301    2618.609494    1389.089958    2497.091069    104.649308    104.649308    104.649308    -31.050560    -31.050560    -31.050560    135.699868    135.699868    135.699868    0.0    0.0    0.0    2099.626626

• 正如我们所见，该列包含日期列、预测股价 (y_hat)、它的下限和上限估计、趋势分量、季节性分量（每周和每年）。

代码：

蟒蛇3

model.plot(forecast)

输出：

• 该命令将绘制先知的组成部分，例如：趋势线、每周和每年的季节性。

代码：

蟒蛇3

# plot graphs of different components:
model.plot_components(forecast)

输出：

• 现在，我们计算预测数据的均方误差和平均绝对误差。

代码：

蟒蛇3

# code
print("Mean Squared Error (MSE):", mean_squared_error(y_true = df_test["y"], y_pred = forecast['yhat']))
print("Mean Absolute Error (MAE):", mean_absolute_error(y_true = df_test["y"], y_pred = forecast['yhat']))

输出：

Mean Squared Error (MSE): 121417.80253038534
Mean Absolute Error (MAE): 246.57694290710793

• 现在，我们计算预测的平均绝对百分比误差，因为它可以更好地了解我们的预测有多准确

代码：

蟒蛇3

def mean_abs_perc_err(y_true, y_pred):
    return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
 
print("Mean Absolute % Error (MAPE): ", mean_abs_perc_err(y_true = np.asarray(df_test["y"]), y_pred = np.asarray(forecast['yhat'])))

输出：

Mean Absolute % Error (MAPE):  10.693787212532687

参考：

• Facebook 先知博客
• Facebook 先知文档