Анализ временных рядов дает нам возможность прогнозировать будущие значения на основе прошлых

значения. Временные ряды можно использовать для прогнозирования будущих тенденций в различных секторах, таких как экономика,

изменение климата, система образования, продажи в компаниях или на фондовой бирже и многое другое. Время

анализ серии позволяет компаниям овладеть своим прошлым, получая представление о своих прошлых данных и

с теми же данными предсказать возможные будущие сценарии

Достаточно с теорией, цель этой статьи - провести практический анализ временных рядов с помощью моего

в настоящее время любимые данные временных рядов с использованием python.

В процессе анализа я представлю несколько концепций анализа временных рядов. Так что найди красивую

место, чтобы исправить себя и повеселиться вместе

.

Начнем с того, что отметим цель нашего анализа временных рядов.

Прогнозирование цен на акции Tesla с помощью машинного обучения

Сегодня каждый человек говорит о Тесле. Мы очарованы идеей электромобилей и

еще лучше самоуправляемые автомобили. Представьте, что вы едете без водительских прав, это круто для меня.

Делает ли Илон Маск большую работу по ускорению перехода мира к устойчивой энергетике, наша работа здесь

заключается в том, чтобы спрогнозировать продажи цены Tesla на следующие 4 месяца.

Существует множество моделей для прогностического анализа во временных рядах, таких как

  1. Арима (модель авторегрессионного интегрирования скользящих средних)

ii Авторегрессивная модель

iii Экспоненциальное сглаживание

iv LMST (долговременная память)

Вышеупомянутые методы требуют, чтобы данные подавались с определенной настройкой и с точной настройкой, чтобы они

сделать предсказание, которое требует много времени и энергии.

Например, в модели Arima вам понадобятся три различных целых числа (p, d, q), которые используются для параметризации

Модели Arima. Эти три целых числа учитывают сезонность, тенденции и шум в наборе данных.

В этой модели ваша роль состоит в том, чтобы избавиться от сезонности и преобразовать набор данных в стационарность.

Под стационарностью мы подразумеваем, что набор данных должен иметь постоянное среднее значение, дисперсию и ковариацию.

И если мы разделим набор данных на сегменты по времени и сезонности, данные должны иметь

никаких отклонений от тренда.

Для данных временных рядов в качестве модели прогнозного анализа не должно быть сезонности и стационарности.

должны поддерживаться в течение определенного интервала времени. Но когда дело доходит до ARIMA, AR, LSMT и других

моделей такого рода, всегда существует проблема, связанная с искоренением любого вида

сезонность и нестационарность, но с помощью модели пророка из Facebook эта проблема

было решено навсегда. Спасибо замечательным ботаникам, которые постоянно работают каждый день, чтобы сделать наш

живет лучше как DS.

Эта библиотека предлагает n параметров, с которыми можно экспериментировать и настраивать модель с высокой точностью.

эффективно и легко, жизнь не должна быть тяжелой, кто-то в этом убедился.

Хватит теории, приступим к делу

Для начала вам необходимо сначала установить Fb phophet

pip install pystan
pip install fbprophet
From their we need to import all the vital  libraries.

import pandas as pd

import seaborn as sns

import matplotlib.pyplot as plt

import numpy as np


Then we import the data into the notebook with the help of pandas


df=pd.read_csv("TSLA.csv")

df.head()

 From their we conduct data processing .

#checking the datatype

df.dtypes


#converting date into datetime64

df['Date']=pd.to_datetime(df['Date'])


#checking out the statistical summary of the datatype

df.describe()

#checking for null values

df.isnull().sum()


#creating a data frame using with date and the close price

data=df[['Date','Close']]

data.head()

Построение данных в виде линейного графика для проверки сезонности и стационарности.

sns.set_style('темная сетка')

plt.figure(figsize=(15,5))

plt.plot(df['Close'],label='цена закрытия tesla')

plt.title(График временного ряда цены закрытия Tesla)

plt.legend(loc='лучший')

Из приведенного выше линейного графика видно, что наш набор данных не является стационарным из-за растущих тенденций, поэтому мы

необходимо преобразовать набор данных в стационарный набор данных. О чем нам не нужно беспокоиться, поскольку

fbprophet помог нам.

#импорт модели

из fbprophet импортировать пророка

Поскольку мы используем модель пророка Facebook, нам нужно переименовать столбцы нашего набора данных.

data = data.rename(columns={Date: ds, Close: y})

На данный момент наш набор данных хорошо подготовлен для модели пророка Facebook, теперь мы будем прогнозировать цену

Тесла

модель = Пророк()

model.fit(данные)

прогнозировать = model.make_future_dataframe (периоды = 365)

forcast = модель.predict(прогноз)

forcast[[ds, yhat, yhat_lower, yhat_upper]].tail()

yhat означает прогнозируемый результат на основе входных данных, подаваемых в модель, yhat_lower и

верхний означает верхнее и нижнее значение, которое может быть получено на основе прогнозируемого результата.

то есть колебания, которые могут произойти.

Затем мы строим прогноз, сделанный библиотекой пророков.

график = model.plot (прогноз, xlabel = «Дата», ylabel = «Цена»)

plt.title('Прогнозируемая цена Telsa в ближайшие месяцы')

plt.show()

Я знаю, что вы думаете «это все!». Да что все.

Из нашего прогноза кажется, что цены на акции Tesla снизятся в ближайшем будущем, если они этого не сделают.

придумать новую идею представления своего видения. Это возможно, так как другие компании также

начали производить электрические

автомобили по очень низкой цене по сравнению с Tesla

А тем, кого немного волнует тренд, сезонность и нестационарность, позвольте успокоить нервы.

глядя на тенденцию данных после того, как они были смоделированы пророком Facebook

model.plot_components (прогноз)

Видите ли, наши данные стационарны! Легкий

Итак, вот как можно использовать библиотеку Fbprophet, чтобы легко предсказывать будущие временные ряды.

данные, не тратя много времени на настройку модели

Идите, изучите эту удивительную библиотеку самостоятельно и позвольте творить чудеса, пока мы веселимся вместе.

Чтобы проверить весь анализ, вы можете посетить:

https://github.com/tinajs2018/Tesla-Stock-Price-Prediction-with-Machine-Learning

И не забудьте подписаться на меня, чтобы узнать больше о науке о данных и машинном обучении.