时间序列金融数据预测及Pandas库详解( 二 ) _金融数据

文章插图

输出结果如下：

文章插图

仅仅获取了"No1"数据并绘制如下图所示图形：

文章插图

5.Groupby操作Pandas具有灵活分组功能，工作方式类似于SQL中分组和Excel透视表，为进行分组，我们添加一组索引对应季度表，代码如下：

文章插图

输出结果如下所示：

文章插图

三. 时间序列算法-ARIMA
作者本来想通过下面代码导入雅虎财经数据，但是没有成功，最终选择自定义数据进行ARIMA算法实验。
时间序列是通过曲线拟合和参数估计来建立数学模型的理论方法，基本步骤如下：
(1).获取被观测系统时间序列数据；
(2).对数据绘图观测是否为平稳时间序列、非平稳d阶差分；
(3).得平稳时间序列，求其自相关系数ACF和偏自相关系数PACF，通过自相关和偏相关图分析，得到最佳阶层p和结束q；
(4).由d、q、p得到ARIMA模型，然后进行检验。
1.获取数据导入库

文章插图

代码从2001年到2090年共有90组数据，然后按照年份进行时间序列统计（freq='A'年份），输出结果如下所示：

文章插图

绘制图形如下：

文章插图

2.时间序列差分d
ARIMA模型要求是平稳型，如果是非平稳型的时间序列需要先做时间序列的差分，得到一个平稳的时间序列。如果时间序列做d次差分才能得到一个平稳序列，则可使用ARIMA(p,d,q)模型，其中d表示差分次数。代码如下：
主要调用df.diff(1)实现一阶差分的效果，此数据一阶和二阶差分的结果类似，均值和方差基本问题，这里的差分d值就取1 。

文章插图

得到的平稳图形如下图所示：

文章插图

3.合适的q和p值
得到一个平稳的时间序列后，需要选择合适的ARIMA模型，即ARIMA模型中的p和q值。
注意：这里需要调用"pip install statsmodels"安装统计数学分析的包，有时您的版本过低会导致错误（尤其是Anaconda 2.7版本），则需要调用"pip install --upgrade statsmodels"升级包至0.8版本。
代码如下：