（29-2）通过回测、ARIMA 和 GRU 预测股票价格：EDA

最新推荐文章于 2024-10-18 18:35:52 发布
最新推荐文章于 2024-10-18 18:35:52 发布
阅读量237 收藏
点赞数 5
分类专栏： 金融大模型 文章标签： gru 信息可视化 数据分析 数据可视化 金融 大模型 ARIMA
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/asd343442/article/details/142334636
版权

29.3  EDA

在数据科学和分析中，数据预处理通常包括对原始数据的清理、转换、以及处理缺失值等步骤，以便后续的分析和建模能够在干净、完整的数据基础上进行。本项目的数据预处理工作包括：

29.3.1  数据概览

（1）创建了一个名为 data 的变量，并将其赋值为谷歌的 yfinance Ticker 对象。接着，创建了一个名为 data_hist 的变量，并将其赋值为谷歌 Ticker 对象的历史数据（设置为最大时间段）。最后，打印输出data_hist 变量的内容。


                

        

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  码农三叔
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          

                

                        订阅专栏
                









                



	

		

			

				
					
（29-5）通过回测、ARIMA 和 GRU 预测股票价格：交易回测

				
			

			

				

					码农三叔
				

				

					09-29
					
					197
					
				

			

		

		

			
				
在本项目中，由于之前进行的回测，对于某些行来说，由于时间范围的原因（例如按周、按年计算的均值），没有可用的历史数据，因此出现了一些 NaN（空值）。（1）在下面的代码中，通过添加新的特征来增强数据集，目的是提升模型的预测能力。在上面的回测代码中，我们首先在前1000行数据上训练模型，然后在接下来的50行数据上测试模型，这个过程会对整个数据集进行。（1）下面代码用于检查 DataFrame df 中各列的空值情况，遍历了所有的列，如果某列中存在空值，则打印出该列的编号、列名以及该列中空值占总数据的百分比。

			
		

	



                

              
                



	

		

			

				
					
（29-5-03）通过回测、ARIMA 和 GRU 预测股票价格：ARIMA模型预测（3）

				
			

			

				

					码农三叔
				

				

					10-06
					
					284
					
				

			

		

		

			
				
在本项目中，通过下面的代码绘制自相关函数（ACF）和偏自相关函数（PACF）的可视化图表，以帮助确定时间序列数据中的自回归（AR）和移动平均（MA）模型的阶数。（6）下面代码的功能是对训练集数据进行预测，并将实际的“Close”值与预测值绘制在同一图上，以便可视化模型在训练集上的表现。（1）在本项目中，选择了2020年之前的数据作为训练数据，剩余的数据用于测试工作。

			
		

	



                


  
              

                


	

		

			

				
					
（29-5-01）通过回测、ARIMA 和 GRU 预测股票价格：ARIMA模型预测（1）

				
			

			

				

					码农三叔
				

				

					09-30
					
					345
					
				

			

		

		

			
				
ARIMA是一种用于时间序列预测的统计模型，此模型结合了自回归（AR）、积分（I）和滑动平均（MA）三种成分，以适应各种时间序列数据的特性。自回归（AR）成分：自回归成分表示当前值与过去值的线性关系，利用过去值的加权平均来预测未来值。AR 成分的阶数用 𝑝表示，表示使用多少个滞后值来进行预测。积分（I）成分：积分成分用于处理时间序列中的趋势，使其变得平稳。通过对时间序列进行差分处理，以去除趋势或季节性成分，使序列平稳。I 成分的阶数用 𝑑表示，表示需要进行多少次差分操作以使序列平稳。

			
		

	





	

		

			

				
					
（29-5-02）通过回测、ARIMA 和 GRU 预测股票价格：ARIMA模型预测（2）

				
			

			

				

					码农三叔
				

				

					10-05
					
					294
					
				

			

		

		

			
				
在 ARIMA 模型中，p和q的值是通过自相关函数 (ACF) 和偏自相关函数 (PACF) 来确定的。用于计算平均值的点数称为窗口大小。在本项目中，通过下面的代码绘制了时间序列数据的自相关函数（ACF）图，帮助识别数据的自相关结构。在本项目中，通过下面的代码绘制了时间序列 df.High 的自相关函数（ACF）和偏自相关函数（PACF）图，用于确定序列中的滞后关系。执行效果如图29-21所示，图中包括三个子图：第一个显示原始序列的ACF，第二个显示一次差分后的ACF，第三个显示二次差分后的ACF。

			
		

	



		

			
		



	

		

			

				
					
（29-1）通过回测、ARIMA 和 GRU 预测股票价格：项目介绍+准备环境

				
			

			

				

					码农三叔
				

				

					09-14
					
					279
					
				

			

		

		

			
				
在金融市场中，准确预测股票价格一直是一个重要且具有挑战性的任务。股票价格受多种因素影响，包括市场动态、公司财报、宏观经济指标等。传统的时间序列分析方法，如自回归综合滑动平均模型（ARIMA），已被广泛应用于金融数据分析。然而，这些方法通常假设数据是线性的，且无法处理复杂的非线性关系和长时间依赖。在现代金融市场中，投资者和机构对预测工具的需求越来越高。这些工具可以帮助他们做出更明智的投资决策，最大限度地降低风险并提高收益。

			
		

	





	

		

			

				
					
ARIMA和ARIMA-GARCH模型预测股票价格-R语言

				
			

			

				

					cy14713147的博客
				

				

					05-31
					
					5036
					
				

			

		

		

			
				
ARIMA-GARCH模型预测股票价格-回归模型

			
		

	





	

		

			

				
					
基于ARIMA回归模型的股票价格预测

				
			

			

				

					2301_79638883的博客
				

				

					09-30
					
					1480
					
				

			

		

		

			
				
首先对数据进行预处理，然后分别通过ACF图、PACF图和AIC确定模型参数，再利用该股票17年——2022年的数据训练模型，接着预测该股票2023年——2025年的收盘价，最后通过对比评估，选择预测效果较好的模型。

			
		

	





	

		

			

				
					
ARIMA模型与ARIMA-GARCH模型预测时间序列

				
			

			

				

					xiaowu1997的博客
				

				

					06-16
					
					654
					
				

			

		

		

			
				
ARIMA-GARCH模型

			
		

	





	

		

			

				
					
区间预测 | MATLAB实现ARIMA-GARCH时间序列预测

				
			

			

				

					关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
				

				

					11-30
					
					2894
					
				

			

		

		

			
				
时序预测 | MATLAB实现ARIMA-GARCH时间序列预测

			
		

	





	

		

			

				
					
Python3实现基于ARIMA模型来预测茅台股票价格趋势

					
热门推荐

				
			

			

				

					m0_64336780的博客
				

				

					06-01
					
					1万+
					
				

			

		

		

			
				
ARIMA（Autoregressive Integrated Moving Average）模型是一种广泛使用的时间序列分析方法，它可以用于对未来的数据进行预测。ARIMA模型由自回归模型（AR模型）、差分整合模型（I模型）和移动平均模型（MA模型）组成，因此也被称为ARIMA(p,d,q)模型。其中，p表示自回归阶数，d表示差分阶数，q表示移动平均阶数。具体来说，ARIMA模型可以通过以下步骤进行建模：数据预处理：对时间序列进行平稳性检验，如果不满足平稳性，则进行差分操作。

			
		

	





	

		

			

				
					
lstm和informer和gru模型对比

				
			

			

				

					ww596520206的博客
				

				

					10-11
					
					485
					
				

			

		

		

			
				
本文使用数据集，对三个模型进行了对比，代码使用python完成，通过对比，发现lstm>gru>informer.

			
		

	





	

		

			

				
					
解决 Matplotlib 中文乱码的详细教程

				
			

			

				

					ailbj的博客
				

				

					10-18
					
					550
					
				

			

		

		

			
				
在使用 Matplotlib 进行数据可视化时，您可能会遇到中文字符显示为乱码或方块的问题。这通常是由于系统中未正确配置中文字体。以下是一个完整的教程，帮助您解决这个问题。

			
		

	





	

		

			

				
					
影刀RPA实战：Excel数据透视表指令

				
			

			

				

					ddf128的博客
				

				

					10-14
					
					1186
					
				

			

		

		

			
				
影刀RPA是一款功能强大的机器人流程自动化软件，它能够帮助用户自动化执行各种重复性任务，从而提高工作效率和准确性，影刀RPA提供了直观的拖拽式流程设计器，即使没有编程背景的用户也能快速上手构建自动化流程，影刀RPA支持Windows、Mac、信创系统（如统信UOS、银河麒麟、Linux）、Android等多种操作系统，影刀RPA能够自动化桌面软件、Web程序、手机App、鼠标键盘操作、Excel操作、数据库及SQL等 ，影刀RPA提供了丰富的学习资源，包括在线课程、社区支持和帮助中心

			
		

	





	

		

			

				
					
计算机毕业设计Python+Flask智慧交通 客流量分析预测 交通大数据 线性回归预测 大数据毕业设计 数据可视化 人工智能

				
			

			

				

					全网粉丝100W+、全栈领域优质创作者、B站、github、CSDN等社区技术专家、专注于高端精品毕业项目源码实战
				

				

					10-14
					
					717
					
				

			

		

		

			
				
计算机毕业设计Python+Flask智慧交通 客流量分析预测 交通大数据 线性回归预测 大数据毕业设计 数据可视化 人工智能


			
		

	





	

		

			

				
					
数据可视化-使用python制作词云图（附代码）

				
			

			

				

					X_StarX的博客
				

				

					10-15
					
					478
					
				

			

		

		

			
				
想象一下，当你写完一篇日记或者一篇文章后，想要知道里面哪些词语出现得最多。这时候，词云图就能派上用场了。它会统计出文章里每个词语出现的次数，然后把这些词语以不同大小的字体展示出来，出现次数越多的词语，字体就越大，就像天空中最大的那朵云一样显眼。词云图通常没有固定的形状，它可以是任何形状，甚至可以做成心形、动物形状等，非常灵活多变。颜色也可以五彩斑斓，看起来既美观又容易理解。举个例子，如果你的文章里提到“学习”这个词非常多，那么在词云图中，“学习”这两个字就会特别大，一眼就能看到。

			
		

	





	

		

			

				
					
Redis数据可视化如何实现？

				
			

			

				

					qian772的博客
				

				

					10-11
					
					958
					
				

			

		

		

			
				
Redis是一种开源的高性能键值存储数据库，被广泛应用于各种场景，如缓存、消息队列、排行榜等。随着Redis的广泛应用，如何高效地管理Redis数据成为了一个重要问题。Redis可视化工具应运而生，它们可以帮助用户更直观地查看和管理Redis数据，提高工作效率。本文将为您推荐几款优秀的Redis可视化工具，并详细介绍它们的功能、特点、适用场景等，帮助您选择最适合自己需求的工具。

			
		

	





	

		

			

				
					
012_django基于大数据的高校新生数据可视化分析系统2024_4x13gn6t (1)

				
			

			

				

					2301_76419561的博客
				

				

					10-18
					
					460
					
				

			

		

		

			
				
目录系统展示开发背景代码实现项目案例 获取源码基于大数据的高校新生数据可视化分析系统是一个结合了Python语言、Django框架和MySQL数据库等技术，旨在通过收集、整合并分析高校新生的多维度数据，为高校招生工作提供科学决策支持的高效系统。以下是对该系统的具体介绍：系统概述：技术实现：功能特点：实际应用：研究意义：综上所述，基于大数据的高校新生数据可视化分析系统通过高效的数据处理和直观的数据展示，为高校招生工作提供了强有力的数据支持。该系统不仅提高了招生决策的科学性和准确性，还促进了高校招生工作的信息化

			
		

	





	

		

			

				
					
探索 SVG 创作新维度：svgwrite 库揭秘

					
最新发布

				
			

			

				

					AIGC搞起
				

				

					10-18
					
					423
					
				

			

		

		

			
				
在数字艺术和网页设计领域，SVG（Scalable Vector Graphics）以其矢量可伸缩性和不失真特性而备受青睐。但直接编辑SVG代码对于非专业人士来说可能过于复杂。svgwrite库的出现，就是为了简化这一过程，让Python开发者能够轻松创建SVG图形。svgwrite是一个Python库，用于生成SVG文件。它提供了一个简单的API，通过Python代码来绘制SVG格式的图形，无需直接处理SVG的XML结构。svgwrite。

			
		

	





	

		

			

				
					
数据门户：企业数字化转型的关键作用

				
			

			

				

					数聚股份
				

				

					10-18
					
					194
					
				

			

		

		

			
				
在当今信息化时代，数据作为企业运营的重要资产，已经受到了企业越来越多的关注。精准分析数据已经成为了企业智能决策的重要依据，另外还可以提升企业在市场的竞争力。构建企业自身的数据门户，就成为了企业数字化转型的重中之重。那么企业如何构建自身的数据门户？数据门户在企业数字化当中应该如何应用？下面数聚股份就从实施经验当中为企业做详细分享。

			
		

	





	

		

			

				
					
ARIMA
SARIMA
VAR
Auto-ARIMA
Auto-SARIMA
LSTM
GRU
RNN
CNN
MLP
DNN
MLP-LSTM
MLP-GRU
MLP-RNN
MLP-CNN
LSTM-ARIMA
LSTM-MLP
LSTM-CNN
GRU-ARIMA
GRU-MLP
GRU-CNN
RNN-ARIMA
RNN-MLP
RNN-CNN
CNN-ARIMA
CNN-MLP
CNN-LSTM
CNN-GRU
ARIMA-SVM
SARIMA-SVM
VAR-SVM
Auto-ARIMA-SVM
Auto-SARIMA-SVM
LSTM-SVM
GRU-SVM
RNN-SVM
CNN-SVM
MLP-SVM
LSTM-ARIMA-SVM
LSTM-MLP-SVM
LSTM-CNN-SVM
GRU-ARIMA-SVM
GRU-MLP-SVM
GRU-CNN-SVM
RNN-ARIMA-SVM
RNN-MLP-SVM
RNN-CNN-SVM
CNN-ARIMA-SVM
CNN-MLP-SVM
CNN-LSTM-SVM
CNN-GRU-SVM
ARIMA-RF
SARIMA-RF
VAR-RF
Auto-ARIMA-RF
Auto-SARIMA-RF
LSTM-RF
GRU-RF
RNN-RF
CNN-RF
MLP-RF
LSTM-ARIMA-RF
LSTM-MLP-RF
LSTM-CNN-RF
GRU-ARIMA-RF
GRU-MLP-RF
GRU-CNN-RF
RNN-ARIMA-RF
RNN-MLP-RF
RNN-CNN-RF
CNN-ARIMA-RF
CNN-MLP-RF
CNN-LSTM-RF
CNN-GRU-RF
ARIMA-XGBoost
SARIMA-XGBoost
VAR-XGBoost
Auto-ARIMA-XGBoost
Auto-SARIMA-XGBoost
LSTM-XGBoost
GRU-XGBoost
RNN-XGBoost
CNN-XGBoost
MLP-XGBoost
LSTM-ARIMA-XGBoost
LSTM-MLP-XGBoost
LSTM-CNN-XGBoost
GRU-ARIMA-XGBoost
GRU-MLP-XGBoost
GRU-CNN-XGBoost
RNN-ARIMA-XGBoost
RNN-MLP-XGBoost
RNN-CNN-XGBoost
CNN-ARIMA-XGBoost
CNN-MLP-XGBoost
CNN-LSTM-XGBoost
CNN-GRU-XGBoost
ARIMA-ANN
SARIMA-ANN
VAR-ANN 
上面这100个缩写模型的全称及相关用途功能详细解释

				
			

			

				

					07-15
				

			

		

		

			
				
2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，适用于带有季节性的时间序列数据的预测。  3. VAR (Vector Autoregression): 用于多变量时间序列数据的预测，基于自回归模型，能够捕捉...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
码农三叔

			
感谢鼓励

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值