Python预测股票走势

Python的功能可谓相当强大，在很多行业具有相当的优势，这种优势很大程度上来源于各种第三方库。本文介绍了如何利用时间序列模型ARIMA进行股票走势预测。

环境：windows 64

平台：Jupyter Notebook (Kernel python3)

库：tushare  statsmodels pandas numpy  seaborn matplotlib

先来看看效果吧

                                   

图1 预测结果图

图1中橙色线条为股票行情实际数据，蓝色线条为模型预测的行情走势，预测结果显示股票呈上涨趋势，从长期来看，还是符合实际走势的，证明了ARIMA模型具有一定的可信性。但是在这里还是要提醒大家一句，股市有风险，投资需谨慎。模型只能提供一个参考，并不能完全正确的指导用户投资。

股票行情数据获取

数据的获取利用第三方库tushare，tushare是一个免费、开源的python财经数据接口包, 具体的介绍点我。

tushare的安装方法很简单, pip install tushare即可。

 

1. import tushare

2. data=tushare.get_h_data('600000',start='2005-05-05')

3. data.to_csv('600000_2005.csv')

导入库，然后调用get_h_data函数获取数据，‘600000’指定股票代码，start指定数据开始的日期，最后将获取的数据使用to_csv函数以csv格式保存到本地。

注意：调用get_h_data时有时会出现错误，可能是由于服务器不稳定，重新执行即可。但两次调用之间要间隔一定时间。

 

数据读取与预处理

1. df=pd.read_csv('600000_2005.csv',index_col=0,parse_dates=[0])

2. #index_col表示把第一列设为index,parse_dates=[0]表示把第一列按datetime格式解析

使用pandas的read_csv函数进行读取数据，各指标意义见代码段中的注释。

             

图2 读取数据展示

pandas读取出的数据如图2所示，我们将选取close，即收盘价作为考核指标来建立ARIMA模型。

 

ARIMA模型建立

 

1. stock_week=df['close'].resample('W-TUE').mean()

2. #将收盘价作为评判标准，resample指按周统计平均数据(可以指定哪天为基准日，此处是周二为基准)

3. stock_train=stock_week['2005':'2017'].dropna()

4. #选取2005-2017的数据

原始数据是股票每天的行情，我们这里将数据进行重采样，按每周的平均行情来进行分析，‘W-TUE’表示按周为单位，指定周二为基准日，即周二到下个周二为一个计算周期。

 

画图看一下现在的数据

 

    

图3 重采样后的数据

 

图3使用matplotlib和seaborn绘制，代码如下

1. stock_train.plot(figsize=(12,8))

2. # plt.legend(bbox_to_anchor=(1.25,0.5))

3. plt.title('Close Price')

4. sns.despine() #边框控制，默认没有上方和右方的框

5. plt.show()

由图3可以看出，数据波动比较大，而时间序列模型要求数据平缓，满足平稳性的要求。因此需要对数据进行差分处理。

 

1. stock_diff=stock_train.diff().dropna() #对数据进行差分，目的使数据平缓,满足平稳性的要求

2. plt.figure()

3. plt.plot(stock_diff)

4. font_loc=''

5. plt.title('一阶差分',fontproperties=font_set) #注意要设置字体，否则会乱码

6. plt.show()

                                  

图4 一阶差分结果图

 

一阶差分的结果如图4所示，图4可以看出数据基本已经趋于平缓，为了确定一阶差分足以满足需求，再进行ACF和PACF检验，ACF和PACF可以直接调用statemodel里的函数进行求算。

 

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

2. acf=plot_acf(stock_diff,lags=20)

3. plt.title('ACF')

4. acf.show()

5. plt.show()

6. pacf=plot_pacf(stock_diff,lags=20)

7. plt.title('PACF')

8. pacf.show()

9. plt.show()

                                    

图5 ACF结果图

 

                                     

                                                                          图6 PACF结果图

由图5和图6可以看出，进行一阶差分时，结果已经落在了置信区间内（图中蓝色区域），因此可以确定进行一阶差分是可靠有效的。

 

接下来就可以进行ARIMA模型训练了

1. model=ARIMA(stock_train,order=(1,1,1),freq='W-TUE')#训练模型,order表示（p,d,q）

2. model=sm.tsa.statespace.SARIMAX(stock_train,order=(1,1,1) , seasonal_order=(1, 1, 1, 12),
                                enforce_stationarity=False,
                                enforce_invertibility=False)#训练模型,order表示（p,d,q）

3. result=model.fit()

参数order=(1,1,1）表示一阶差分，ACF和PACF的取值均为1，关于差分阶数、ACF、PACF取值详细介绍点我。

 

最后一步就是利用建立好的result模型来预测走势了

 

pred=result.predict('20160816','20180112',dynamic=True,typ='levels')#注意预测的起始时间要在训练时间的范围内，结束时间没有要求

需要注意的是，预测数据起始时间必须在训练集内，而终止时间则没有限制

 

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

2. plt.xticks(rotation=45)

3. plt.plot(pred)

4. plt.plot(stock_train)

5. plt.show()

画图

就可以看见文章开头的结果了