Python数据分析与可视化典型项目实战（微课版）课件 模块十 股票数据分析与股价趋势预测.pptx

模块十股票数据分析与股价趋势预测Python数据分析与可视化典型项目实战（微课版）

【任务描述】常用的预测模型有以下几种。（1）自回归模型自回归模型（AutoregressiveModel，简称AR模型）用于描述当前值与历史值之间的关系，使用变量自身的历史数据对自身进行预测。AR模型首先需要确定一个阶数p，表示使用几期的历史值来预测当前值。AR模型有以下限制条件。①AR模型是用自身的数据进行预测的。②时间序列数据必须具有平稳性。③AR模型只适用于预测与自身历史相关的现象。（2）移动平均模型移动平均模型（MovingAverageModel，简称MA模型）关注的是AR模型中误差项的累加，能有效地消除预测中的随机波动。【任务10-1】使用2年的股票数据建立ARIMA模型并使

用该模型预测股价趋势

【任务描述】（3）自回归移动平均模型AR模型和MA模型相结合，就得到了自回归移动平均模型（AutoregressiveMovingAverageModel，简称ARMA模型）。（4）差分自回归移动平均模型将AR模型、MA模型和差分法结合就得到了差分自回归移动平均模型（AutoregressiveIntegratedMovingAverageModel，简称ARIMA模型）。Excel文件“stock-2.xlsx”为“五粮液股票”2020和2021年相关数据，包括以下10列有效数据：date（日期）、code（股票代码）、open（开盘价）、high（最高价）、low（最低价）、close（收盘价）、preclose（上一收盘价，指上一个交易日收盘价）、volume（成交量）、amount（成交额）、turn（换手率）。使用2年的股票数据建立ARIMA模型并使用该模型预测股价趋势。【任务实现】在JupyterNotebook开发环境中创建tc10-01.ipynb，然后在单元格中编写代码并输出对应的结果。【任务10-1】使用2年的股票数据建立ARIMA模型并使

用该模型预测股价趋势

使用2年的股票数据建立ARIMA模型并使用该模型预测股价趋势1．导入模块fromstatsmodels.tsa.arima_modelimportARIMAfromstatsmodels.graphics.tsaplotsimportplot_acf,plot_pacffromwarningsimportfilterwarningsfilterwarnings(ignore)2．读取数据path=r.\data\stock-2.xlsx#默认读取Excel文件的第一个工作表data=pd.read_excel(path,index_col=date,parse_dates=[date])

使用2年的股票数据建立ARIMA模型并使用该模型预测股价趋势3．数据预处理stock=datastock=stock.drop(columns=Unnamed:0)sub=stock[2021-01:2021-12][close]train=sub.loc[2021-01:2021-06]test=sub.loc[2021-07:2021-12]4．绘制股票收盘价训练数据集的折线图plt.figure(figsize=(8,6))plt.plot(train)plt.show()

5．时间序列差分处理后绘制折线图stock[close_diff_1]=stock[close].diff(1)stock[close_diff_2]=stock[close_diff_1].diff(1)fig=plt.figure(figsize=(20,6))ax1=fig.add_subplot(131)ax1.plot(stock[close])ax2=fig.add_subplot(132)ax2.plot(stock[close_diff_1])ax3=fig.add_subplot(133)ax3.plot(stock[close_diff_2])plt.show()时间序列的平稳性要求经由样本时间序列所得到的拟合曲线在未来一段时间内仍能顺着现有的形态惯性地延续下去，要求序列的均值和方差不发生明显变化。使用差分法可以使数据更平稳，常用的方法就是一阶差分法和二阶差分法。使用2年的股票数据建立ARIMA模型并使用该模型预测股价趋势

5．时间序列差分处理后绘制折线图图10-2