#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Mon Feb 25 08:51:13 2019
@author: vicky
"""
#导入数值计算库
import numpy as np
from numpy import linalg as la
from sklearn import linear_model
import pandas as pd
import math
from sklearn.decomposition import PCA
data=pd.read_csv('/Users/vicky/Downloads/国债数据.csv')
xtrain=np.array(data.ix[:,1:])
#看哪些列包含nan
np.where(np.isnan(xtrain))[1]
#去除包含nan的列
xtrain=np.delete(xtrain,np.where(np.isnan(xtrain))[1],1)
#-------------pca
(n,p)=np.shape(xtrain)
Xsta=(xtrain-np.tile(np.mean(xtrain,axis=0),(n,1)))/np.tile(np.std(xtrain,axis=0),(n,1));#标准化样本数据 X
U,D,V=la.svd(Xsta)#SVD分解
D=np.asmatrix(D).T
lam=np.multiply(D,D)/(n-1)#特征根
W=V.T/np.tile(np.sum(abs(V.T),axis=0),(p,1)) #标准化的特征向量
f=lam/sum(lam)#方差贡献率=特征值/所有特征值总和
#检验是否可以主成分降维
F=np.cumsum(lam)/sum(lam)#累计方差贡献率=前i个特征值总和/所有特征值总和
Index=np.where(F[0,:]>0.95)#取累计方差贡献达到95%的q个主成分
q=np.array(Index)[1,0]+1 #主成分个数
Xpc=np.dot(xtrain,W) #降维后的xpc矩阵=标准化后的特征向量*原x矩阵
pc=Xpc[:,0:q]#主成分矩阵=降维后x矩阵的前q列
#from sklearn.decomposition import PCA
#x= np.mat(xtrain)
#pca=PCA(n_components=3)
#pca.fit(x)
#pc2=pca.fit_transform(x)
#------------PCA降维--------
from sklearn.decomposition import PCA
pca = PCA(n_components=0.95)
pca.fit(xtrain)
print(pca.explained_variance_ratio_) #方差贡献率
#print(pca.explained_variance_)#方差
print(pca.n_components_)#主成分个数
pc2=pca.transform(xtrain)
#p=np.array(df4)
#x=np.linalg.inv(df3)
#w=np.dot(np.array(df4),np.linalg.inv(np.array(df3)))
import matplotlib.pyplot as plt
plt.figure(figsize=(12,6),title= 'PCA Plot',fontsize=14)
plt.plot(pca.explained_variance_, 'k', linewidth=2)
plt.xlabel('n_components', fontsize=16)
plt.ylabel('explained_variance_', fontsize=16)
plt.show()
#-----------时间序列--------
df=pd.DataFrame(pc)
df.columns=['level','slope','curvation']
df.index = pd.to_datetime(data['trading_date']) #将字符串转换成时间
#--------原始数据 时序图,看数据的大概分布
df.plot(figsize=(12,6),title= 'Monthly Yield Curve',fontsize=14)
plt.show()
#生成pd.Series对象
ts_level=pd.Series(df['level'].values, index=df.index)
ts_slope=pd.Series(df['slope'].values, index=df.index)
ts_curvation=pd.Series(df['curvation'].values, index=df.index)
#原始数据 自相关性图
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(ts_level)
plt.show()
#原始数据 平稳性检测
from statsmodels.tsa.stattools import adfuller
adfuller(ts_level)
#返回值依次为:adf, pvalue p值, usedlag, nobs, critical values临界值 , icbest, regresults, resstore
#adf分别大于3中不同检验水平的3个临界值,单位检测统计量对应的p值显著大于0.05,说明序列可以判定为非平稳序列
#进行ADF检验
#adf_test的返回值
#Test statistic:代表检验统计量
#p-value:代表p值检验的概率
#Lags used:使用的滞后k,autolag=AIC时会自动选择滞后
#Number of Observations Used:样本数量
#Critical Value(5%) : 显著性水平为5%的临界值。
#(1)假设是存在单位根,即不平稳;
#(2)显著性水平,1%:严格拒绝原假设;5%:拒绝原假设,10%类推。
#(3)看P值和显著性水平a的大小,p值越小,小于显著性水平的话,就拒绝原假设,认为序列是平稳的;大于的话,不能拒绝,认为是不平稳的
#(4)看检验统计量和临界值,检验统计量小于临界值的话,就拒绝原假设,认为序列是平稳的;大于的话,不能拒绝,认为是不平稳的
##滚动统计
#def rolling_statistics(timeseries):
# #Determing rolling statistics
# rolmean = pd.rolling_mean(timeseries, window=12)
# rolstd = pd.rolling_std(timeseries, window=12)
#
# #Plot rolling statistics:
# orig = plt.plot(timeseries, color='blue',label='Original')
# mean = plt.plot(rolmean, color='red', label='Rolling Mean')
# std = plt.plot(rolstd, color='black', label = 'Rolling Std')
# plt.legend(loc='best')
# plt.title('Rolling Mean & Standard Deviation')
# plt.show(block=False)
#
###ADF检验
#from statsmodels.tsa.stattools import adfuller
#def adf_test(timeseries):
# rolling_statistics(timeseries)#绘图
# print ('Results of Augment Dickey-Fuller Test:')
# dftest = adfuller(timeseries, autolag='AIC')
# dfoutput = pd.Series(dftest[0:4], index=['Test Statistic','p-value','#Lags Used','Number of Observations Used'])
# for key,value in dftest[4].items():
# dfoutput['Critical Value (%s)'%key] = value #增加后面的显著性水平的临界值
# print (dfoutput)
#
#adf_test(ts_level) #从结果中可以看到p值为0.1097>0.1,不能拒绝H0,认为该序列不是平稳序列
##自相关图ACF和偏相关图PACF
#import statsmodels.api as sm
#def acf_pacf_plot(ts_log_diff):
# sm.graphics.tsa.plot_acf(ts_log_diff,lags=500) #ARIMA,q
# sm.graphics.tsa.plot_pacf(ts_log_diff,lags=30) #ARIMA,p
#
#acf_pacf_plot(ts_level) #查看数据的自相关图和偏自相关图
#--------确定ARIMA的阶数
#----利用自相关图和偏自相关图
#一阶差分 时序图
ts_d = ts_level.diff().dropna()
ts_d.columns = ['diff']
ts_d.plot(figsize=(12, 6),title= 'Difference Curve', fontsize=14)
plt.show()
#一阶差分 自相关图 和 偏自相关图
#plot_acf(ts_d)
#plt.show()
#plot_pacf(ts_d)
#plt.show()
#不限制lags值时图看不清,限制lags值再画
plot_acf(ts_d,lags=100)
plt.show()
plot_pacf(ts_d,lags=100)
plt.show()
#p=2,q=2
#一阶差分 平稳性检验 ADF检验结果
adfuller(ts_d)
#返回值依次为:adf, pvalue p值, usedlag, nobs, critical values临界值 , icbest, regresults, resstore
#adf分别大于3中不同检验水平的3个临界值,单位检测统计量对应的p值显著小于0.05,说明序列可以判定为平稳序列
#----借助AIC、BIC统计量自动确定
#在statsmodels包里还有更直接的函数:
import statsmodels.tsa.stattools as st
order = st.arma_order_select_ic(ts_d,max_ar=5,max_ma=5,ic=['aic', 'bic', 'hqic'])
order.bic_min_order
#输出(1,0)
#我们常用的是AIC准则,AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况。所以优先考虑的模型应是AIC值最小的那一个模型。
#为了控制计算量,我们限制AR最大阶不超过5,MA最大阶不超过5。 但是这样带来的坏处是可能为局部最优。
#timeseries是待输入的时间序列,是pandas.Series类型,max_ar、max_ma是p、q值的最大备选值。
#order.bic_min_order返回以BIC准则确定的阶数,是一个tuple类型
##借助AIC统计量自动确定,可换成bic
from statsmodels.tsa.arima_model import ARMA
def proper_model(data_ts, maxLag):
init_aic = float("inf")
init_p = 0
init_q = 0
init_properModel = None
for p in np.arange(maxLag):
for q in np.arange(maxLag):
model = ARMA(data_ts, order=(p, q))
try:
results_ARMA = model.fit(disp=-1, method='css')
except:
continue
aic = results_ARMA.aic
if aic < init_aic:
init_p = p
init_q = q
init_properModel = results_ARMA
init_aic = aic
return init_aic, init_p, init_q, init_properModel
proper_model(ts_d,5)
#---------建模预测
#ARIMA模型,d=1,p=2,q=2
#RSS是残差平方和
#----建模
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(ts_level, order=(2, 1, 2)) #ARIMA(p,d,q)
results_AR = model.fit(disp=-1) #disp为-1代表不输出收敛过程的信息,True代表输出
results_AR.summary2()
plt.plot(ts_d)
plt.plot(results_AR.fittedvalues, color='red')#红色线代表预测值
rss=sum(((results_AR.fittedvalues-ts_d).dropna())**2)
print('RSS:',rss)
plt.title('RSS: %.4f'% rss)#残差平方和
#----计算模型误差
#ARIMA拟合的其实是一阶差分ts_log_diff,predictions_ARIMA_diff[i]是第i个月与i-1个月的ts_log的差值。
#由于差分化有一阶滞后,所以第一个月的数据是空的,
predictions_diff = pd.Series(results_AR.fittedvalues, copy=True)
print(predictions_diff.head())
#累加现有的diff,得到每个值与第一个月的差分(同log底的情况下)。
#即predictions_ARIMA_diff_cumsum[i] 是第i个月与第1个月的ts_log的差值。
predictions_diff_cumsum = predictions_diff.cumsum()
#先ts_log_diff => ts_log=>ts_log => ts
#先以ts_log的第一个值作为基数,复制给所有值,然后每个时刻的值累加与第一个月对应的差值(这样就解决了,第一个月diff数据为空的问题了)
#然后得到了predictions_ARIMA_log => predictions_ARIMA
predictions = pd.Series(ts_level.ix[0], index=ts_level.index)
predictions = predictions.add(predictions_diff_cumsum,fill_value=0)
plt.figure()
plt.plot(ts_level)
plt.plot(predictions)
plt.title('RMSE: %.4f'% np.sqrt(sum((predictions-ts_level)**2)/len(ts_level)))
#----预测未来走势
# forecast方法会自动进行差分还原,当然仅限于支持的1阶和2阶差分
forecast_n = 1000#预测未来30个天走势
forecast_AR = results_AR.forecast(forecast_n)[0] #返回预测值,标准差,置信区间
print(forecast_AR)
stderr_AR=sum(results_AR.forecast(forecast_n)[1])
print(stderr_AR)
#将预测的数据和原来的数据绘制在一起,为了实现这一目的,我们需要增加数据索引,使用开源库arrow:
import arrow
def get_date_range(start, limit, level='day',format='YYYY-MM-DD'):
start = arrow.get(start, format)
result=(list(map(lambda dt: dt.format(format) , arrow.Arrow.range(level, start,limit=limit))))
dateparse2 = lambda dates:pd.datetime.strptime(dates,'%Y-%m-%d')
return map(dateparse2, result)
#预测从2017-12-03开始,也就是我们训练数据最后一个数据的后一个日期
new_index = get_date_range('2019-02-25', forecast_n)
forecast_ARIMA= pd.Series(forecast_AR, copy=True, index=new_index)
print(forecast_ARIMA.head())
#绘图如下
plt.plot(ts_level,label='Original',color='blue')
plt.plot(forecast_ARIMA, label='Forcast',color='red')
plt.legend(loc='best')
plt.title('forecast')