（15-10）基于时间序列预测的比特币自动交易系统：使用时间序列预测

码农三叔

于 2024-02-01 21:24:05 发布

阅读量1k

点赞数 15

分类专栏：金融大模型文章标签：人工智能神经网络 python 机器学习算法

本文链接：https://blog.csdn.net/asd343442/article/details/135982294

版权

金融大模型专栏收录该内容

168 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了如何使用Python的statsmodels和pmdarima库对时间序列数据进行一阶差分、对数变换，以及ARIMA模型的构建、参数选择和预测。通过ACF和PACF图帮助确定模型阶数，并展示了滚动预测的walk_forward_validation函数，用于模型在训练集和测试集上的性能评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.5.10 预测

（1）下面的代码生成了两个子图，第一个子图展示了一阶差分的时间序列图，而第二个和第三个子图则显示了差分序列的自相关函数（ACF）和偏自相关函数（PACF）。

from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.graphics.tsaplots import plot_pacf

#figure setup
fig = plt.figure(figsize=(24,12))
ax1 = fig.add_subplot(2,1,1)
ax1.set_title('1st Order Differencing')
ax2 = fig.add_subplot(2,2,3)
ax3 = fig.add_subplot(2,2,4)

#plots
ax1.plot(y_d