python 分析外汇数据_Python爬取中国银行外汇牌价(statsmodels预测分析)--(二)

联系方式

Author: sunhailin-Leo

简介

如果数据还没获取到的话请移步看第一篇文章(本篇文章默认数据已存储在数据库中)

步入正题

上一篇文章末尾部分在讲使用Pyflux这个库对数据进行分析预测

总结两个方面:

优点:

Pyflux模型文档"一针见血"(建立在对时序分析有一定基础的人, 能看懂部分核心公式)

缺点:

提供少量的数据分析API, 不像statsmodels提供了例如残差分析等方法进行模型验证调优的方法

本文将使用statsmodels对此前的数据进行分析。

数据前期准备

df['查询时间'] = df['查询时间'].apply(lambda x: x[:-9])

df['查询时间'] = pd.to_datetime(df['查询时间'], format="%Y-%m-%d")

df = df.groupby('查询时间')['现汇卖出价'].mean()

df = df.to_frame()

print(df)

复制代码

数据平稳性校验

直接上代码(差分画图看数据平稳性)

一共测试了1阶和2阶(不建议使用高阶数据, 容易数据造成破坏)

# 差分图

fig = plt.figure(figsize=(12, 8))

ax1 = fig.add_subplot(111)

# 里面的1代表了差分阶数

diff1 = df.diff(1)

diff1.plot(ax=ax1)

plt.show()

# fig.savefig('./picture/1.jpg')

复制代码一阶差分结果

二阶差分结果

结论：由观察可得出一阶差分波动相对较小，较为平稳 (之后建模的数据使用1阶差分的结果进行建模)

自相关图和偏自相关图

介绍一些自相关性和非自相关性:

自相关性(ACF): 自相关性是指随机误差项的各期望值之间存在着相关关系，称随机误差项之间存在自相关性(autocorrelation)或序列相关