文章目录

1 简介
2 时间序列的由来
- 2.1 四种模型的名称：
3 数据预览
4 理论公式
- 4.1 协方差
- 4.2 相关系数
- 4.3 scikit-learn计算相关性
5 金融数据的时序分析
- 5.1 数据概况
- 5.2 序列变化情况计算
最后

1 简介

Hi，大家好学长今天向大家介绍一个大数据项目

大数据分析：基于时间序列的股票预测于分析

2 时间序列的由来

提到时间序列分析技术，就不得不说到其中的AR/MA/ARMA/ARIMA分析模型。这四种分析方法的共同特点都是跳出变动成分的分析角度，从时间序列本身出发，力求得出前期数据与后期数据的量化关系，从而建立前期数据为自变量，后期数据为因变量的模型，达到预测的目的。来个通俗的比喻，大前天的你、前天的你、昨天的你造就了今天的你。

2.1 四种模型的名称：

AR模型：自回归模型（Auto Regressive model）；
MA模型：移动平均模型（Moving Average model）；
ARMA：自回归移动平均模型（Auto Regressive and Moving Average model）；
ARIMA模型：差分自回归移动平均模型。
AR模型：

如果某个时间序列的任意数值可以表示成下面的回归方程，那么该时间序列服从p阶的自回归过程，可以表示为AR§：

AR模型利用前期数值与后期数值的相关关系（自相关），建立包含前期数值和后期数值的回归方程，达到预测的目的，因此成为自回归过程。这里需要解释白噪声，白噪声可以理解成时间序列数值的随机波动，这些随机波动的总和会等于0，例如，某饼干自动化生产线，要求每包饼干为500克，但是生产出来的饼干产品由于随机因素的影响，不可能精确的等于500克，而是会在500克上下波动，这些波动的总和将会等于互相抵消等于0。

3 数据预览

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline#准备两个数组
list1 = [6,4,8]
list2 = [8,6,10]#分别将list1，list2转为Series数组
list1_series = pd.Series(list1)
print(list1_series)
list2_series = pd.Series(list2)
print(list2_series)#将两个Series转为DataFrame，对应列名分别为A和B
frame = { 'Col A': list1_series, 'Col B': list2_series }
result = pd.DataFrame(frame)result.plot()
plt.show()

4 理论公式

4.1 协方差

首先看下协方差的公式：

4.2 相关系数

计算出Cov后，就可以计算相关系数了，值在-1到1之间，越接近1，说明正相关性越大；越接近-1，则负相关性越大，0为无相关性
公式如下：

4.3 scikit-learn计算相关性

#各特征间关系的矩阵图
sns.pairplot(iris, hue='species', size=3, aspect=1)

Andrews Curves 是一种通过将每个观察映射到函数来可视化多维数据的方法。
使用 Andrews Curves 将每个多变量观测值转换为曲线并表示傅立叶级数的系数，这对于检测时间序列数据中的异常值很有用。

plt.subplots(figsize = (10,8))
pd.plotting.andrews_curves(iris, 'species', colormap='cool')

这里以经典的鸢尾花数据集为例

setosa、versicolor、virginica代表了三个品种的鸢尾花。可以看出各个特征间有交集，也有一定的分别规律。

#最后，通过热图找出数据集中不同特征之间的相关性，高正值或负值表明特征具有高度相关性：fig=plt.gcf()
fig.set_size_inches(10,6)
fig=sns.heatmap(iris.corr(), annot=True, cmap='GnBu', linewidths=1, linecolor='k', \
square=True, mask=False, vmin=-1, vmax=1, \
cbar_kws={"orientation": "vertical"}, cbar=True)

5 金融数据的时序分析

主要介绍：时间序列变化情况计算、时间序列重采样以及窗口函数

5.1 数据概况

import pandas as pdtm = pd.read_csv('/home/kesci/input/gupiao_us9955/Close.csv')
tm.head()

数据中各个指标含义:

AAPL.O | Apple Stock
MSFT.O | Microsoft Stock
INTC.O | Intel Stock
AMZN.O | Amazon Stock
GS.N | Goldman Sachs Stock
SPY | SPDR S&P 500 ETF Trust
.SPX | S&P 500 Index
.VIX | VIX Volatility Index
EUR= | EUR/USD Exchange Rate
XAU= | Gold Price
GDX | VanEck Vectors Gold Miners ETF
GLD | SPDR Gold Trust

8年期间价格(或指标)走势一览图

5.2 序列变化情况计算

计算每一天各项指标的差异值（后一天减去前一天结果）
计算pct_change：增长率也就是（后一个值-前一个值）／前一个值）
计算平均计算pct_change指标
绘图观察哪个指标平均增长率最高
计算连续时间的增长率（其中需要计算今天价格和昨天价格的差异）

计算每一天各项指标的差异值（后一天减去前一天结果）

计算pct_change：增长率也就是（后一个值-前一个值）／前一个值）

计算平均计算pct_change指标
绘图观察哪个指标平均增长率最高

除了波动率指数(.VIX指标)增长率最高外，就是亚马逊的股价了！贝佐斯简直就是宇宙最强光头强

计算连续时间的增长率（其中需要计算今天价格和昨天价格的差异）

#第二天数据
tm.shift(1).head()#计算增长率
rets = np.log(tm/tm.shift(1))
print(rets.tail().round(3))#cumsum的小栗子：
print('小栗子的结果：',np.cumsum([1,2,3,4]))#增长率做cumsum需要对log进行还原，用e^x
rets.cumsum().apply(np.exp).plot(figsize=(10,6))

以上是在连续时间内的增长率，也就是说，2010年的1块钱，到2018年已经变为10多块了(以亚马逊为例)

最后

大数据毕业设计基于时间序列的股票预测与分析系统 - 大数据分析相关推荐

【毕业设计】时间序列的股票预测与分析系统 - python 大数据
文章目录 1 简介 2 时间序列的由来 2.1 四种模型的名称: 3 数据预览 4 理论公式 4.1 协方差 4.2 相关系数 4.3 scikit-learn计算相关性 5 金融数据的时序分析 5. ...
大数据毕业设计 LSTM时间序列预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
毕业设计-基于机器学习的股票预测
目录前言课题背景和意义实现技术思路一.传统股票预测模型二.新型股票预测方法实现效果图样例最后前言
大数据毕设选题 - 深度学习股票预测系统（python Django）
文章目录 0 前言 1 课题背景 2 实现效果 3 Django框架 4 数据整理 5 模型准备和训练 6 最后 0 前言
基于ISM的大数据在建筑领域中的应用障碍分析
点击上方蓝字关注我们基于ISM的大数据在建筑领域中的应用障碍分析纪颖波1, 赵子豪1, 姚福义2 1 北方工业大学土木工程学院,北京 100144 2 重庆大学管理科学与房地产学院,重庆 4000 ...
手把手教你：基于LSTM的股票预测系统
系列文章第七章.手把手教你:基于深度残差网络(ResNet)的水果分类识别系统第六章.手把手教你:人脸识别的视频打码第五章.手把手教你:基于深度学习的滚动轴承故障诊断目录系列文章一.项目简 ...
2023最新大数据毕业设计论文题目（117篇）
基于公共匿名平台数据的高校大学生心理健康问题识别系统基于SOA农业大数据管理服务平台基于对抗性迁移学习的药品不良反应监测研究面向社交大数据的舆情分析系统基于公告事件的投资决策分析系统基于UG ...
大数据毕业设计 - 选题推荐（一）
文章目录 1 开题指导 1.1 起因 1.2 如何避坑(重中之重) 1.3 为什么这么说呢? 1.4 难度把控 1.5 题目名称 1.6 最后选题建议 3 最后毕设帮助,开题指导,资料分享,疑问解 ...
基于时间序列的股票趋势预测模型
基于时间序列的股票趋势预测模型 http://www.2nsoft.cn/2ndn/index.jsp?func=Examples/FinancePre/FinancePre.html 1.示例说明 ...

大数据毕业设计基于时间序列的股票预测与分析系统 - 大数据分析

文章目录

1 简介

2 时间序列的由来

2.1 四种模型的名称：

3 数据预览

4 理论公式

4.1 协方差

4.2 相关系数

4.3 scikit-learn计算相关性

5 金融数据的时序分析

5.1 数据概况

5.2 序列变化情况计算

最后

大数据毕业设计基于时间序列的股票预测与分析系统 - 大数据分析相关推荐

最新文章

热门文章

大数据毕业设计 基于时间序列的股票预测与分析系统 - 大数据分析

文章目录

1 简介

2 时间序列的由来

2.1 四种模型的名称：

3 数据预览

4 理论公式

4.1 协方差

4.2 相关系数

4.3 scikit-learn计算相关性

5 金融数据的时序分析

5.1 数据概况

5.2 序列变化情况计算

最后

大数据毕业设计 基于时间序列的股票预测与分析系统 - 大数据分析相关推荐

最新文章

热门文章

大数据毕业设计基于时间序列的股票预测与分析系统 - 大数据分析

大数据毕业设计基于时间序列的股票预测与分析系统 - 大数据分析相关推荐