使用 ARIMA 对股票涨跌额进行预测（仅适合作业示例）

是纯一呀

已于 2024-12-28 02:27:42 修改

阅读量1.7k

点赞数 4

分类专栏： AI 文章标签： conda python pandas

于 2024-12-28 02:22:30 首次发布

本文链接：https://blog.csdn.net/pillpeople/article/details/144780301

版权

AI 专栏收录该内容

4 篇文章

订阅专栏

文章目录

前言
教程目标
数据准备
结果展示
总结

前言

时间序列预测在金融领域中具有重要意义，尤其是在股票价格的预测上。本文以 ARIMA 模型为例，探讨如何基于历史数据对股票涨跌额进行预测。由于 ARIMA 模型仅适用于单变量时间序列，本教程主要针对收盘价的变化趋势进行简单预测，并通过 AIC 和 BIC 两种模型选择标准进行性能比较。本文仅适合作为入门时间序列预测的作业示例。

教程目标

1.使用 Python 中的 statsmodels 库构建 ARIMA 模型，预测股票涨跌额。
2.通过 AIC 和 BIC 指标优化模型参数（通过遍历 (p, d, q) 参数组合，使用 AIC 和 BIC 指标选择最优模型）。
3.可视化预测结果并评估模型性能。

数据准备

在本教程中，我们假设你已经有一份本地 CSV 文件，其中包含股票的历史交易数据。

股票代码|交易日期|收盘价
例如：000001.SZ.csv

股票代码,交易日期,收盘价
000001.SZ,2019-01-02,8.50

请根据自己的数据进行相应调整。

import matplotlib.pyplot as plt
import pandas as pd
from pandas.plotting import autocorrelation_plot
from pyspark.sql import SparkSession
from pyspark.sql.functions import col, to_date
from sklearn.metrics import mean_squared_error
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 读取本地 CSV 文件
pandas_df = pd.read_csv("000001.SZ.csv", header=0)

# 转换 '交易日期' 为 datetime 类型并按日期排序
pandas_df['交易日期'] = pd.to_datetime(pandas_df['交易日期'], errors='coerce')
pandas_df.sort_values('交易日期', inplace=True)

# 去除空值行
pandas_df = pandas_df.dropna()

# 特征列
features = ['收盘价']
data = pandas_df[features]

ticker = "000001.SZ"  # 股票代码

# 画出训练集合股价图像
plt.rcParams["figure.figsize"] = (10, 7)
plt.style.use('ggplot')

data.plot()
plt.title(f'{ticker}股票收盘价',  fontsize=16)
plt.ylabel('价格（元）', fontsize=14)
plt.legend(['收盘价'], prop={ 'size': 12})
plt.show()

# 绘制自相关图
autocorrelation_plot(data)
plt.title(f'{ticker}股票收盘价自相关图', fontsize=16)
plt.ylabel('自相关系数', fontsize=14)
plt.show()

# 将数据按时间分割
train_set = data[data.index < '2020-01-01']
test_set = data[data.index >= '2020-01-01']
print(train_set)
print(test_set)

plt.figure(figsize=(10, 5))  # 调整图像大小
plt.title(f'{ticker}股票收盘价', fontsize=16)  # 使用中文楷体
plt.xlabel('交易日期', fontsize=14)
plt.ylabel('价格（元）', fontsize=14)
plt.plot(train_set, color='green', label='训练集')  # 添加图例标签
plt.plot(test_set, color='red', label='测试集')  # 添加图例标签
plt.xlim(train_set.index.min(), test_set.index.max())  # 只显示有数据的部分
plt.legend(prop={'size': 12})  # 自动显示定义的标签，确保图例使用中文字体
plt.show()

# 优化ARIMA模型
aic_p = []
bic_p = []
params = []  # 用于存储(p, d, q)参数

p = range(0, 6)  # [0,1,2,3,4,5]
d = range(0, 2)  # [0,1]
q = range(0, 6)  # [0,1,2,3,4,5]

# 三个循环遍历所有(p, d, q)
for i in p:
    for j in d:
        for k in q:
            model = ARIMA(train_set, order=(i, j, k))  # define ARIMA model
            model_fit = model.fit()  # fit the model
            aic_temp = model_fit.aic  # get aic score
            bic_temp = model_fit.bic  # get bic score
            aic_p.append(aic_temp)  # append aic score
            bic_p.append(bic_temp)  # append bic score
            params.append((i, j, k))  # 存储参数
            print(f'ARIMA model p={i}, d={j}, q={k} AIC={aic_temp}, BIC={bic_temp}')  # 输出所有模型的AIC和BIC评分

# 找到AIC和BIC最小值的索引
min_aic_index = aic_p.index(min(aic_p))
min_bic_index = bic_p.index(min(bic_p))

# 绘制AIC图像
plt.figure(figsize=(12, 6))
plt.plot(range(len(aic_p)), aic_p, color='red', marker='o')
plt.annotate(f'({params[min_aic_index][0]},{params[min_aic_index][1]},{params[min_aic_index][2]})',
             (min_aic_index, aic_p[min_aic_index]), textcoords="offset points", xytext=(0, 10), ha='center')
plt.title('AIC优化模型图', fontsize=16)
plt.xlabel('模型参数', fontsize=14)
plt.ylabel('AIC评分', fontsize=14)
plt.show()

# 绘制BIC图像
plt.figure(figsize=(12, 6))
plt.plot(range(len(bic_p)), bic_p, color='blue', marker='o')
plt.annotate(f'({params[min_bic_index][0]},{params[min_bic_index][1]},{params[min_bic_index][2]})',
             (min_bic_index, bic_p[min_bic_index]), textcoords="offset points", xytext=(0, 10), ha='center')
plt.title('BIC优化模型图', fontsize=16)
plt.xlabel('模型参数', fontsize=14)
plt.ylabel('BIC评分', fontsize=14)
plt.show()


# 获取 AIC 和 BIC 最优参数
best_aic_params = params[min_aic_index]
best_bic_params = params[min_bic_index]

# 使用 AIC 最优参数拟合模型
model_aic = ARIMA(train_set, order=best_aic_params)
model_fit_aic = model_aic.fit()

# 使用 BIC 最优参数拟合模型
model_bic = ARIMA(train_set, order=best_bic_params)
model_fit_bic = model_bic.fit()

print(f"最佳 AIC 参数: p={best_aic_params[0]}, d={best_aic_params[1]}, q={best_aic_params[2]}")
print(f"最佳 BIC 参数: p={best_bic_params[0]}, d={best_bic_params[1]}, q={best_bic_params[2]}")

# 使用 AIC 最优参数预测
predictions_aic = []
past_aic = train_set['收盘价'].tolist()
for i in range(len(test_set)):
    model = ARIMA(past_aic, order=best_aic_params)
    model_fit = model.fit(start_params=model_fit_aic.params)
    pred = model_fit.forecast()[0]
    predictions_aic.append(pred)
    past_aic.append(test_set.iloc[i, 0])

# 使用 BIC 最优参数预测
predictions_bic = []
past_bic = train_set['收盘价'].tolist()
for i in range(len(test_set)):
    model = ARIMA(past_bic, order=best_bic_params)
    model_fit = model.fit(start_params=model_fit_bic.params)
    pred = model_fit.forecast()[0]
    predictions_bic.append(pred)
    past_bic.append(test_set.iloc[i, 0])


# 分别评估 AIC 和 BIC 模型的性能
from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error

# AIC:
mse_aic = mean_squared_error(test_set, predictions_aic)
mae_aic = mean_absolute_error(test_set, predictions_aic)
mape_aic = mean_absolute_percentage_error(test_set, predictions_aic)
print('Test MSE: {mse}'.format(mse=mse_aic))
print('Test MAE: {mae}'.format(mae=mae_aic))
print('Test MAPE: {mape:.2%}'.format(mape=mape_aic))


# BIC:
mse_bic = mean_squared_error(test_set, predictions_bic)
mae_bic = mean_absolute_error(test_set, predictions_bic)
mape_bic = mean_absolute_percentage_error(test_set, predictions_bic)
print('Test MSE: {mse}'.format(mse=mse_bic))
print('Test MAE: {mae}'.format(mae=mae_bic))
print('Test MAPE: {mape:.2%}'.format(mape=mape_bic))


plt.figure(figsize=(12, 6))
plt.plot(test_set.index, test_set, color='green', label='实际值')
plt.plot(test_set.index, predictions_aic, color='red', label='AIC 最优预测值')
plt.plot(test_set.index, predictions_bic, color='blue', label='BIC 最优预测值')
plt.title(f'{ticker}股票预测对比', fontsize=16)
plt.xlabel('日期', fontsize=14)
plt.ylabel('价格（元）', fontsize=14)
plt.legend(prop={'size': 12})
plt.show()