41丨数据挖掘实战（3）：如何对比特币走势进行预测？
下载APP
关闭
渠道合作
推荐作者
41丨数据挖掘实战（3）：如何对比特币走势进行预测？
2019-03-18 陈旸 来自北京
《数据分析实战45讲》
课程介绍
讲述：陈旸
时长12:10大小11.15M
今天我带你用数据挖掘对比特币的走势进行预测和分析。
我们之前介绍了数据挖掘算法中的分类、聚类、回归和关联分析算法，那么对于比特币走势的预测，采用哪种方法比较好呢？
可能有些人会认为采用回归分析会好一些，因为预测的结果是连续的数值类型。实际上，数据挖掘算法还有一种叫时间序列分析的算法，时间序列分析模型建立了观察结果与时间变化的关系，能帮我们预测未来一段时间内的结果变化情况。
那么时间序列分析和回归分析有哪些区别呢？
首先，在选择模型前，我们需要确定结果与变量之间的关系。回归分析训练得到的是目标变量 y 与自变量 x（一个或多个）的相关性，然后通过新的自变量 x 来预测目标变量 y。而时间序列分析得到的是目标变量 y 与时间的相关性。
另外，回归分析擅长的是多变量与目标结果之间的分析，即便是单一变量，也往往与时间无关。而时间序列分析建立在时间变化的基础上，它会分析目标变量的趋势、周期、时期和不稳定因素等。这些趋势和周期都是在时间维度的基础上，我们要观察的重要特征。
那么针对今天要进行的预测比特币走势的项目，我们都需要掌握哪些目标呢？
了解时间序列预测的概念，以及常用的模型算法，包括 AR、MA、ARMA、ARIMA 模型等；
掌握并使用 ARMA 模型工具，对一个时间序列数据进行建模和预测；
对比特币的历史数据进行时间序列建模，并预测未来 6 个月的走势。
时间序列预测
关于时间序列，你可以把它理解为按照时间顺序组成的数字序列。实际上在中国古代的农业社会中，人们就将一年中不同时间节点和天气的规律总结了下来，形成了二十四节气，也就是从时间序列中观察天气和太阳的规律（只是当时没有时间序列模型和相应工具），从而使得农业得到迅速发展。在现代社会，时间序列在金融、经济、商业领域拥有广泛的应用。
在时间序列预测模型中，有一些经典的模型，包括 AR、MA、ARMA、ARIMA。我来给你简单介绍一下。
AR 的英文全称叫做 Auto Regressive，中文叫自回归模型。这个算法的思想比较简单，它认为过去若干时刻的点通过线性组合，再加上白噪声就可以预测未来某个时刻的点。
在我们日常生活环境中就存在白噪声，在数据挖掘的过程中，你可以把它理解为一个期望为 0，方差为常数的纯随机过程。AR 模型还存在一个阶数，称为 AR（p）模型，也叫作 p 阶自回归模型。它指的是通过这个时刻点的前 p 个点，通过线性组合再加上白噪声来预测当前时刻点的值。
MA 的英文全称叫做 Moving Average，中文叫做滑动平均模型。它与 AR 模型大同小异，AR 模型是历史时序值的线性组合，MA 是通过历史白噪声进行线性组合来影响当前时刻点。AR 模型中的历史白噪声是通过影响历史时序值，从而间接影响到当前时刻点的预测值。同样 MA 模型也存在一个阶数，称为 MA(q) 模型，也叫作 q 阶移动平均模型。我们能看到 AR 和 MA 模型都存在阶数，在 AR 模型中，我们用 p 表示，在 MA 模型中我们用 q 表示，这两个模型大同小异，与 AR 模型不同的是 MA 模型是历史白噪声的线性组合。
ARMA 的英文全称是 Auto Regressive Moving Average，中文叫做自回归滑动平均模型，也就是 AR 模型和 MA 模型的混合。相比 AR 模型和 MA 模型，它有更准确的估计。同样 ARMA 模型存在 p 和 q 两个阶数，称为 ARMA(p,q) 模型。
ARIMA 的英文全称是 Auto Regressive Integrated Moving Average 模型，中文叫差分自回归滑动平均模型，也叫求合自回归滑动平均模型。相比于 ARMA，ARIMA 多了一个差分的过程，作用是对不平稳数据进行差分平稳，在差分平稳后再进行建模。ARIMA 的原理和 ARMA 模型一样。相比于 ARMA(p,q) 的两个阶数，ARIMA 是一个三元组的阶数 (p,d,q)，称为 ARIMA(p,d,q) 模型。其中 d 是差分阶数。
ARMA 模型工具
上面介绍的 AR，MA，ARMA，ARIMA 四种模型，你只需要了解基础概念即可，中间涉及到的一些数学公式这里不进行展开。
在实际工作中，我们更多的是使用工具，我在这里主要讲解下如何使用 ARMA 模型工具。
在使用 ARMA 工具前，你需要先引用相关工具包：
然后通过 ARMA(endog,order,exog=None) 创建 ARMA 类，这里有一些主要的参数简单说明下：
endog：英文是 endogenous variable，代表内生变量，又叫非政策性变量，它是由模型决定的，不被政策左右，可以说是我们想要分析的变量，或者说是我们这次项目中需要用到的变量。
order：代表是 p 和 q 的值，也就是 ARMA 中的阶数。
exog：英文是 exogenous variables，代表外生变量。外生变量和内生变量一样是经济模型中的两个重要变量。相对于内生变量而言，外生变量又称作为政策性变量，在经济机制内受外部因素的影响，不是我们模型要研究的变量。
举个例子，如果我们想要创建 ARMA(7,0) 模型，可以写成：ARMA(data,(7,0))，其中 data 是我们想要观察的变量，(7,0) 代表 (p,q) 的阶数。
创建好之后，我们可以通过 fit 函数进行拟合，通过 predict(start, end) 函数进行预测，其中 start 为预测的起始时间，end 为预测的终止时间。
下面我们使用 ARMA 模型对一组时间序列做建模，代码如下：
运行结果：
我创建了 1901 年 -1990 年之间的时间序列数据 data，然后创建 ARMA(7,0) 模型，并传入时间序列数据 data，使用 fit 函数拟合，然后对 1990 年 -2000 年之间的数据进行预测，最后绘制预测结果。
你能看到 ARMA 工具的使用还是很方便的，只是我们需要 p 和 q 的取值。实际项目中，我们可以给 p 和 q 指定一个范围，让 ARMA 都运行一下，然后选择最适合的模型。
你可能会问，怎么判断一个模型是否适合？
我们需要引入 AIC 准则，也叫作赤池消息准则，它是衡量统计模型拟合好坏的一个标准，数值越小代表模型拟合得越好。
在这个例子中，你能看到 ARMA(7,0) 这个模型拟合出来的 AIC 是 1619.6323（并不一定是最优）。
对比特币走势进行预测
我们都知道比特币的走势除了和历史数据以外，还和很多外界因素相关，比如用户的关注度，各国的政策，币圈之间是否打架等等。当然这些外界的因素不是我们这节课需要考虑的对象。
假设我们只考虑比特币以往的历史数据，用 ARMA 这个时间序列模型预测比特币的走势。
你能看到数据一共包括了 8 个字段，代表的含义如下：
我们的目标是构造 ARMA 时间序列模型，预测比特币（平均）价格走势。p 和 q 参数具体选择多少呢？我们可以设置一个区间范围，然后选择 AIC 最低的 ARMA 模型。
我们梳理下整个项目的流程：
首先我们需要加载数据。
在准备阶段，我们需要先探索数据，采用数据可视化方式查看比特币的历史走势。按照不同的时间尺度（天，月，季度，年）可以将数据压缩，得到不同尺度的数据，然后做可视化呈现。这 4 个时间尺度上，我们选择月作为预测模型的时间尺度，相应的，我们选择 Weighted_Price 这个字段的数值作为观察结果，在原始数据中，Weighted_Price 对应的是比特币每天的平均价格，当我们以“月”为单位进行压缩的时候，对应的 Weighted_Price 得到的就是当月的比特币平均价格。压缩代码如下：
最后在预测阶段创建 ARMA 时间序列模型。我们并不知道 p 和 q 取什么值时，模型最优，因此我们可以给它们设置一个区间范围，比如都是 range(0,3)，然后计算不同模型的 AIC 数值，选择最小的 AIC 数值对应的那个 ARMA 模型。最后用这个最优的 ARMA 模型预测未来 8 个月的比特币平均价格走势，并将结果做可视化呈现。
基于这个流程，具体代码如下：
运行结果：
我们通过 product 函数创建了 (p,q) 在 range(0,3) 范围内的所有可能组合，并对每个 ARMA(p,q) 模型进行了 AIC 数值计算，保存了 AIC 数值最小的模型参数。然后用这个模型对比特币的未来 8 个月进行了预测。
从结果中你能看到，在 2018 年 10 月之后 8 个月的时间里，比特币会触底到 4000 美金左右，实际上比特币在这个阶段确实降低到了 4000 元美金甚至更低。在时间尺度的选择上，我们选择了月，这样就对数据进行了降维，也节约了 ARMA 的模型训练时间。你能看到比特币金额（美金）这张图中，按月划分的比特币走势和按天划分的比特币走势差别不大，在减少了局部的波动的同时也能体现出比特币的趋势，这样就节约了 ARMA 的模型训练时间。
总结
今天我给你讲了一个比特币趋势预测的实战项目。通过这个项目你应该能体会到，当我们对一个数值进行预测的时候，如果考虑的是多个变量和结果之间的关系，可以采用回归分析，如果考虑单个时间维度与结果的关系，可以使用时间序列分析。
根据比特币的历史数据，我们使用 ARMA 模型对比特币未来 8 个月的走势进行了预测，并对结果进行了可视化显示。你能看到 ARMA 工具还是很好用的，虽然比特币的走势受很多外在因素影响，比如政策环境。不过当我们掌握了这些历史数据，也不妨用时间序列模型来分析预测一下。
最后依然是思考题环节，今天我们讲了 AR、MA、ARMA 和 ARIMA，你能简单说说它们之间的区别么？
另外我在GitHub中上传了沪市指数的历史数据（对应的 shanghai_1990-12-19_to_2019-2-28.csv），请你编写代码使用 ARMA 模型对沪市指数未来 10 个月（截止到 2019 年 12 月 31 日）的变化进行预测（将数据转化为按月统计即可）。
欢迎你在评论区与我分享你的答案，也欢迎点击“请朋友读”，把这篇文章分享给你的朋友或者同事。
分享给需要的人，Ta购买本课程，你将得18元
生成海报并分享赞 10
提建议
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
上一篇
40丨数据挖掘实战（2）：信用卡诈骗分析
下一篇
42丨当我们谈深度学习的时候，我们都在谈什么？
精选留言(31)
钟朗🐾2019-04-20老师，为什么这个没有对数据进行单位根检验和白噪声检验，这样会不会粗暴了点尼共 1 条评论19
Geek_2a60932019-03-18老师能不能讲一下LSTM作者回复: LSTM也是不错的方式，不过LSTM就像是炼金术，需要的计算量（时间）有些大了
15![](data:image/svg+xml,<svg xmlns="http://www.w3.org/2000/svg" width="72" height="72"><rect fill-opacity="0"/></svg>)
王彬成2019-03-18运行沪市指数数据结果为： 参数错误: (0, 2) 最优模型: ARMA Model Results 预测数据： 2019-03-31 2841.753594 2019-04-30 2862.532373 2019-05-31 2816.252354 2019-06-30 2801.829572 2019-07-31 2773.588278 2019-08-31 2752.587602 2019-09-30 2729.086661 2019-10-31 2707.560415 2019-11-30 2685.923215 2019-12-31 2665.117874 ----------- df_month2['forecast']=best_model.predict(start=0,end=348)理解 start=0表示从第0课数据开始计算 end=348是指需要计算348个数据，即从1990-12-19到2019-12-31一共有348个月，所以有348个数据展开作者回复: 对的
共 3 条评论7- 王彬成2019-03-18# -*- coding:utf-8 -*- # 编码使用 ARMA 模型对沪市指数未来 10 个月（截止到 2019 年 12 月 31 日）的变化进行预测 import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima_model import ARMA import warnings from itertools import product from datetime import datetime warnings.filterwarnings('ignore') # 数据加载 df=pd.read_csv('./bitcoin-master/shanghai_1990-12-19_to_2019-2-28.csv') # 将时间作为 df 的索引 df.Timestamp=pd.to_datetime(df.Timestamp) df.index=df.Timestamp # 数据探索 print(df.head()) # 按照月来统计 df_month=df.resample('M').mean() # 按照月来显示沪市指数的走势 fig=plt.figure(figsize=[15,7]) plt.rcParams['font.sans-serif']=['SimHei'] plt.suptitle('沪市指数',fontsize=20) plt.plot(df_month.Price,'-',label='按月') plt.legend() plt.show() # 设置参数范围 ps=range(0,3) qs=range(0,3) parameters=product(ps,qs) parameters_list=list(parameters) # 寻找最优 ARMA 模型参数，即 best_aic 最小 results=[] best_aic=float('inf')# 正无穷 for param in parameters_list: try: model=ARMA(df_month.Price,order=(param[0],param[1])).fit() except ValueError: print('参数错误:',param) continue aic=model.aic if aic<best_aic: best_model=model best_aic=aic best_param=param results.append([param,model.aic]) # 输出最优模型 result_table=pd.DataFrame(results) result_table.columns=['parameters','aic'] print('最优模型:',best_model.summary()) # 沪市指数预测 df_month2=df_month[['Price']] date_list= [datetime(2019, 3, 31), datetime(2019, 4, 30), datetime(2019, 5, 31), datetime(2019, 6, 30), datetime(2019, 7, 31), datetime(2019, 8, 31), datetime(2019, 9, 30), datetime(2019, 10, 31),datetime(2019, 11, 30),datetime(2019, 12, 31)] future=pd.DataFrame(index=date_list,columns=df_month.columns) df_month2=pd.concat([df_month2,future]) df_month2['forecast']=best_model.predict(start=0,end=348) # 沪市指数预测结果显示 plt.figure(figsize=(20,7)) df_month2.Price.plot(label='实际指数') df_month2.forecast.plot(color='r',ls='--',label='预测指数') plt.legend() plt.title('沪市指数（月）') plt.xlabel('时间') plt.ylabel('指数') plt.show()展开
作者回复: Good Job
共 2 条评论7 
张丽斌2019-04-01这是刚好撞对了吧，比特币、股市什么的预测受各种因素影响太大了。更多是考虑动态因素作者回复: 对 很多因素
6
跳跳2019-03-18一、AR、MA、ARMA、ARIMA的区别 AR的核心思想是过去若干点的线性组合，再加上白噪声预测未来时刻点的值。 MA的核心思想是通过历史白噪声线性组合来影响当前的时刻点。 ARMA：结合AR、MA的思想，综合考虑历史白噪声和当前白噪声，预测未来时刻点。 ARIMA：较ARMA多了差分过程，对不平衡数据进行了差分平稳。 二、沪市指数预测结果如下： 参数错误: (0, 2) 最优模型: ARMA Model Results ============================================================================== Dep. Variable: Price No. Observations: 339 Model: ARMA(2, 2) Log Likelihood -2208.110 Method: css-mle S.D. of innovations 162.159 Date: Mon, 18 Mar 2019 AIC 4428.219 Time: 10:59:23 BIC 4451.175 Sample: 12-31-1990 HQIC 4437.367 - 02-28-2019展开作者回复: 很好的总结，同时赞下完成作业的同学
共 2 条评论6
骑行的掌柜J2019-09-26我用ARIMA模型对老师一开始的那组时间序列进行了分析预测，因为字数限制：省略一开始的数据加载和最后的预测步骤，但是加入对差分次数d的查找、找ARIMA模型的p、q值和模型检验三个步骤，希望对大家有用，谢谢 # -*- coding: utf-8 -*- # 用 ARIMA 进行时间序列预测 import numpy as np from statsmodels.graphics.tsaplots import acf,pacf,plot_acf,plot_pacf #2.下面我们先对非平稳时间序列进行时间序列的差分，找出适合的差分次数 #fig = plt.figure(figsize=(12, 8)) #ax1 = fig.add_subplot(111) #diff1 = data.diff(1) #diff1.plot(ax=ax1) #这里是做了1阶差分，可以看出时间序列的均值和方差基本平稳， #这里我们使用一阶差分的时间序列，把上面代码注释掉 #3.接下来我们要找到ARIMA模型中合适的p和q值： data = data.diff(1) data.dropna(inplace=True) #第一步：先检查平稳序列的自相关图和偏自相关图 fig = plt.figure(figsize=(12, 8)) ax1 = fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(data,lags=40,ax=ax1) #lags 表示滞后的阶数，下面分别得到acf 图和pacf 图 ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(data, lags=40,ax=ax2) #由下图我们可以分别用ARMA(0,1)模型、ARMA(7,0)模型、ARMA(7,1)模型等来拟合找出最佳模型： #第三步:找出最佳模型ARMA arma_mod1 = sm.tsa.ARMA(data,(7,0)).fit() print(arma_mod1.aic, arma_mod1.bic, arma_mod1.hqic) arma_mod2 = sm.tsa.ARMA(data,(0,1)).fit() print(arma_mod2.aic, arma_mod2.bic, arma_mod2.hqic) arma_mod3 = sm.tsa.ARMA(data,(7,1)).fit() print(arma_mod3.aic, arma_mod3.bic, arma_mod3.hqic) arma_mod4 = sm.tsa.ARMA(data,(8,0)).fit() print(arma_mod4.aic, arma_mod4.bic, arma_mod4.hqic) #由上面可以看出ARMA(7,0)模型最佳 #第四步：进行模型检验，首先对ARMA(7,0)模型所产生的残差做自相关图 resid = arma_mod1.resid #一定要加上这个变量赋值语句，不然会报错resid is not defined fig = plt.figure(figsize=(12, 8)) ax1 = fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(),lags=40,ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(resid, lags=40,ax=ax2) #接着做德宾-沃森（D-W）检验 print(sm.stats.durbin_watson(arma_mod1.resid.values)) #得出来结果是不存在自相关性的 #再观察是否符合正态分布,这里用qq图 fig = plt.figure(figsize=(12,8)) ax = fig.add_subplot(111) fig = qqplot(resid, line='q',ax=ax, fit=True) #最后用Ljung-Box检验:检验的结果就是看最后一列前十二行的检验概率（一般观察滞后1~12阶） r,q,p = sm.tsa.acf(resid.values.squeeze(),qstat=True) data1 = np.c_[range(1,41), r[1:], q, p] table= pd.DataFrame(data1, columns=[ 'lag','AC','Q','Prob(>Q)']) print(table.set_index('lag'))展开作者回复: Good Job，使用差分之后，再进行的ARMA模型
共 3 条评论3
滢2019-04-26想问下老师，（1）对于类似于彩票这种类型的数据该用什么算法分析？（2）对于ARMA的最优只能人为赋值，循环检测最大值吗？若数据多的情况怎么办？作者回复: 1）彩票这种用什么没有用，因为是完全随机性，找不到规律的，或者用规律解决不了问题 2）ARMA 可以赋值个范围，让它在范围内自己来寻找适合的参数，一般超参数优化都是这样操作 加油滢
3
堂吉诃德2019-03-181. parameters = product(ps, qs) parameters为可迭代对象, 直接使用 for param in parameters: 不用再转为列表吧? 2. 回答一下 @Grandia_Z 时间序列操作 date_list = pd.date_range('2019-03-31', '2019-12-31', periods=None, freq='D') 希望你能看到展开3
叁2019-09-19我觉得确实有些问题，在是同arma模型之前没有对数据平稳性检验，毕竟模型是基于平稳性的。作者回复: 可以使用ARIMA模型
2- 王彬成2019-03-18AR、MA、ARMA和ARIMA模型区别 1、AR （Auto Regressive），中文叫自回归模型，它认为过去若干时刻的点通过线性组合，再加上白噪声就可以预测未来某个时刻的点。AR 模型还存在一个阶数，称为 AR（p）模型，也叫作 p 阶自回归模型。它指的是通过这个时刻点的前 p 个点，通过线性组合再加上白噪声来预测当前时刻点的值。 2、MA （ Moving Average），中文叫做滑动平均模型。MA 模型存在一个阶数，称为 MA(q) 模型，也叫作 q 阶移动平均模型。MA 模型是通过将一段时间序列中白噪声序列进行加权和。 3、ARMA （ Auto Regressive Moving Average），中文叫做自回归滑动平均模型， ARMA 模型存在 p 和 q 两个阶数，称为 ARMA(p,q) 模型。 4、ARIMA（ Auto Regressive Integrated Moving Average ），中文叫差分自回归滑动平均模型，也叫求合自回归滑动平均模型。相比于 ARMA，ARIMA 多了一个差分的过程，作用是对不平稳数据进行差分平稳，在差分平稳后再进行建模。ARIMA 是一个三元组的阶数 (p,d,q)，称为 ARIMA(p,d,q) 模型。其中 d 是差分阶数。展开
作者回复: 很好的总结！
2 
![](data:image/svg+xml,<svg xmlns="http://www.w3.org/2000/svg" width="30" height="30"><rect fill-opacity="0"/></svg>)
厚积薄发2020-11-171.AR,MA,ARMA,ARIMA的区别 1.1AR模型 Auto Regressive 自回归模型 过去一段时间的点线性组合再加上白噪声预测未来某时刻的点 AR(p) 1.2.MA 模型 Moving Average 移动平均模型 历史白噪声的线性组合影响当前时刻的点 MA(q) 1.3.ARMA 模型 Auto Regressive Moving Average 自回归平均滑动模型 AR模型和MA模型的混合 ARMA(p,q) 1.4.ARIMA 模型 Auto Regressive Integrated Moving Average 差分自回归平均滑动模型 ARIMA(p,d,q) 要求数据是平稳的 预测指标AIC AIC 越小越好 2.什么时候使用线性回归，什么时候使用时间序列分析 对一个数值进行预测时，如果考虑的是单个时间维度与结果的关系，可以使用时间序列分析 如果考虑的是多个变量与结果之间的关系，可以采用回归分析 3.上证指数预测 代码：[email protected]:houjibofa2050/sequentially.git展开1
JustDoDT2020-04-24交作业：快学完第一遍了，奥利给干了。 https://github.com/LearningChanging/Data-analysis-in-action/tree/master/41-%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E5%AE%9E%E6%88%98%EF%BC%883%EF%BC%89%EF%BC%9A%E5%A6%82%E4%BD%95%E5%AF%B9%E6%AF%94%E7%89%B9%E5%B8%81%E8%B5%B0%E5%8A%BF%E8%BF%9B%E8%A1%8C%E9%A2%84%E6%B5%8B%EF%BC%9F展开作者回复: Good Job
1
小狮子(*¯︶¯*)2020-02-09不做平稳性检测就能直接用ARMA模型？共 1 条评论1
Ronnyz2019-12-02AR 随机变量的取值是前p期的多元线性回归，认为主要受过去p期的序列值影响。误差项是当前的随机干扰，为零均值白噪声序列 MA 在t时刻的随机变量的取值是前q期的随机扰动的多元线性函数。误差项是当期的随机干扰,为零均值白噪声序列，是序列的均值。认为主要受过去q期的误差项影响。 ARMA 随机变量的取值不仅与以前p期的序列值有关还与前q期的随机扰动有关。 ARIMA 将ARMA和差分法结合，得到ARIMA(p,d,q)，其中d是需要对数据进行差分的阶数。 #设置参数调整范围 p_scope=range(0,3) q_scope=range(0,3) 最优模型： Model: ARMA(2, 2) AIC 4428.219展开作者回复: Ronnyz同学整理的不错
1
TKbook2019-03-25import numpy as np import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.arima_model import ARMA import warnings from itertools import product from datetime import datetime warnings.filterwarnings('ignore') df = pd.read_csv('shanghai_1990-12-19_to_2019-2-28.csv') df.index = pd.to_datetime(df.Timestamp) df_month = df.resample('M').mean() # 设置参数范围 ps = range(0, 3) qs = range(0, 3) parameters = product(ps, qs) parameters_list = list(parameters) # 寻找最优ARMA模型参数，即best_aic最小 results = [] best_aic = float('inf') # 正无穷 for param in parameters_list: try: model = ARMA(df_month.Price, order=(param[0], param[1])).fit() except ValueError: print('参数错误：', param) continue aic = model.aic if aic < best_aic: best_model = model best_aic = aic best_param = param results.append([param, model.aic]) # 输出最优模型 result_table = pd.DataFrame(results) result_table.columns = ['parameters', 'aic'] print('最优模型：', best_model.summary()) # 股市预测 date_list = [datetime(2019, 3, 31), datetime(2019, 4, 30), datetime(2019, 5, 31), datetime(2019, 6, 30), datetime(2019, 7, 31), datetime(2019, 8, 31), datetime(2019, 9, 30), datetime(2019, 10, 31), datetime(2019, 11, 30), datetime(2019, 12, 31)] future = pd.DataFrame(index=date_list, columns=df_month.columns) df_month = pd.concat([df_month, future]) df_month['forecast'] = best_model.predict(start=0, end=348) # 预测结果显示 plt.figure(figsize=(20, 7)) df_month.Price.plot(label='实际指数') df_month.forecast.plot(color='r', ls='--', label='预测指数') plt.legend() plt.title('金额（月）') plt.xlabel('TIME') plt.ylabel('RMB') plt.show()展开作者回复: Godo Job！
1
Geek_3e33b62023-01-05 来自四川import pandas as pd df=pd.read_excel("D:\\pycharm\\anaconda3\\上海指数.xlsx") df.index = df.Timestamp df_M = df.resample('M').mean() #按月 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 fig = plt.figure(figsize=[15,7]) plt.title('上海指数',fontsize=12) plt.plot(df.Price,'-',label='按月') plt.legend() plt.show() from itertools import product ps = range(0,3) qs = range(0,3) parameters = product(ps,qs) parameters_list = list(parameters) from statsmodels.tsa.arima_model import ARMA # 找最优参数 results = [] best_aic = float("inf") #正无穷 for param in parameters_list: try: model = ARMA(df_M.Price,order=(param[0],param[1])).fit() except ValueError: print('参数错误',param) aic = model.aic if aic < best_aic: best_model = model best_aic = aic best_param = param results.append([param,model.aic]) results_table = pd.DataFrame(results) results_table.columns = ['parameters','aic'] from datetime import datetime date_list = [datetime(2019, 3, 31), datetime(2019, 4, 30),datetime(2019, 5, 31), datetime(2019, 6, 30), datetime(2019,7,31),datetime(2019,8,31),datetime(2019,9,30),datetime(2019,10,31)] future = pd.DataFrame(index=date_list, columns= df_M.columns) df_M = pd.concat([df_M,future]) df_M['forecast'] = best_model.predict(start=0,end=347) print(df_M.tail(12)) # 比特币预测结果显示 plt.figure(figsize=(20,7)) df_M.Price.plot(label='实际指数') df_M.forecast.plot(color='r', ls='--', label='预测指数') plt.legend() plt.title('上海指数（月）') plt.xlabel('时间') plt.ylabel('指数') plt.show()展开
piboye2022-01-04TSLM也是吗？
欠儿登2021-12-05请问时间序列必须是连续不断的么，比如按周统计就必须每周都有数据？共 1 条评论
东旭2021-10-18不知道还有人看这个课程不，我的预测都是平的，没有一点可参考趋势，我用的python3.9，ARMA已经停用了，所有我模仿着用了statsmodels.tsa.arima.model.ARIMA，不知道问题出在了哪里共 1 条评论
