跌跌撞撞搞了半天ARIMA模型，结果是越深入越懵懂，开始以为很难，学完以为很简单，再学特么的一个字“玄“呼 |
您所在的位置：网站首页 › 白噪声检验q统计量 › 跌跌撞撞搞了半天ARIMA模型，结果是越深入越懵懂，开始以为很难，学完以为很简单，再学特么的一个字“玄“呼 |
跌跌撞撞搞了半天ARIMA模型，结果是越深入越懵懂，开始以为很难，学完以为很简单，再学特么的一个字“玄“呼
|
学习的过程也是敲代码的过程，方向搞错了，搞数据分析，还得是notebook靠谱，我是上手直接在pycharm上撸的，越搞越发现得回头重新检测，重新调参，悔不当初。。。（不过好的一点是可以更加直观，及更加清晰的把思路捋出来） 学习参考一些书籍，结合网上各种乱七八糟的资料，B站各种七上八下的视频（绝大部分都是转的一个“奶声”博主的视频，但也发现里面很多有错误的地方，讲的不明不白和漏了的地方，博主可能也没完全整明白）。 ARIMA看似就简单pdq,主要是pq，d是属于比较简单的，pq的选择有很多的方法（AIC、BIC、遍历），选出来最优结果不一定适合你的模型，因为模型建好后还要对其进行评判，包括白噪声检测，残差检验。。。。不合格就得又回去找pq了。 下面直接上代码，过程还是比较清晰的（有需要的地方基本都有注释，有些阶段是需要反复使用的），欢迎课下交流！！！！ import math import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa import stattools from statsmodels.graphics.tsaplots import * from statsmodels.tsa.stattools import adfuller #平稳性ADF检测函数 from statsmodels.tsa.arima.model import ARIMA import warnings #忽略警告，设置周期的话影响模型 warnings.filterwarnings("ignore", message="A date index has been provided, but it has no associated frequency information and so will be ignored when e.g. forecasting.") # 1.数据读取 df = pd.read_csv('D:\\history_A_000001_k_2010-01-01_2023-06-01_data.csv', index_col='date') # 2.查看数据基本情况 def base(df): print(df.head()) print(df.tail()) print(df.info()) print(df.describe()) print(df.columns) print(df.index) # base(df) df.index = pd.to_datetime(df.index) # 将索引type='object转化为datetime格式dtype='datetime64[ns]' # 3.数据筛选 """" df_part1 = df.loc['2014-01-01':'2015-01-01'] df_part2 = df.loc['2015'] df_part3 = df.loc['2016':] df_part4 = df.loc['2017-09':'2017'] #一年中指定一天以后的数据 """ #4.数据选取 及 观测（pctChg） data=df['pctChg'] data=data.dropna() # 很重要，用了diff的话去除时间序列中的空格 plt.rcParams['font.sans-serif']=['Microsoft YaHei'] # 解决无法显示中文的问题 plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题 """ fig,ax = plt.subplots(2, 2, figsize=(10, 10)) # ax[0,0].hist(data, bins=150) # 在ax[0]中添加直方图,bins设置直方图分组数量 # ax[0,0].set_title(u'直方图') ax[0,0].plot(data) # 在ax[1]中绘制折线图 ax[0,0].set_title(u'原始数据图') ax[0,0].axhline(y=0, color='r') # 添加 y=0 的水平参考线 ax[0,0].grid(axis='y') # 在 ax[1] 子图中显示横向网格线 ax[0,1].plot(data.diff(1)) # 在ax[1]中绘制折线图 ax[0,1].set_title(u'1阶差分图') ax[0,1].axhline(y=0, color='r') # 添加 y=0 的水平参考线 ax[0,1].grid(axis='y') # 在 ax[1] 子图中显示横向网格线 ax[1,0].plot(data.diff(170)) # 在ax[1]中绘制折线图 ax[1,0].set_title(u'170阶差分图') ax[1,0].axhline(y=0, color='r') # 添加 y=0 的水平参考线 ax[1,0].grid(axis='y') # 在 ax[1] 子图中显示横向网格线 ax[1,1].plot(data-data.mean()) ax[1,1].plot(data.diff(170)) # 在ax[1]中绘制折线图 ax[1,1].set_title(u'170阶差分图与原始数据图') ax[1,1].axhline(y=0, color='r') # 添加 y=0 的水平参考线 ax[1,1].grid(axis='y') # 在 ax[1] 子图中显示横向网格线 plt.show() """ #5.计算ACF与PACF acfs = stattools.acf(data) pacfs = stattools.pacf(data) # print(acfs[:60]) # print(pacfs[:60]) #6.绘制ACF与PACF图(柱形高度等于各自相关系数值，蓝色区域表示95%置信区间，超过区间表示相关系数显著不为0) fig,ax = plt.subplots(1, 2, figsize=(10, 5)) plot_acf(data,use_vlines=True,title='ACF',lags=160,ax=ax[0]) #参数use_vlines设置为True表示在图上画出垂直线表示滞后时间（lag） plot_pacf(data,use_vlines=True,title='PACF',lags=160,ax=ax[1],method="ywm") #method="ywm"避免超出+-1告警 plt.show() #7.平稳性检测 （acf与pacf如快速衰减到0亦可认为平稳,下面主要应用单根ADF检验进行检测）（非平稳的话在第4步用diff搞平稳，记住差分阶数，后续要用） result = adfuller(data) print('ADF统计量值为：', result[0]) #ADF统计量值0.05，说明模型残差为白噪声，残差已无利用价值 #11.都搞定后则利用模型进行相关预测 yuce1 = best_model.forecast(10) #[0]表示取出预测结果中的第一个部分，也就是预测出来的数值序列 print(yuce1) plt.plot(yuce1) pred = best_model.predict(start='20200506', end='20230525', dynamic=True) #使用predict函数进行预测 plt.plot(data) plt.plot(pred) plt.show() print(pred) 搞完后修改调整了下代码，对近期做了个小预测---"六月匍匐前进"！！！（文章数据采集至2023年6月1日，祝大家伙儿童节快乐）
tips:做差分diff得时候有个小插曲，一般也就一阶二阶就可获得稳定性，但是会丢到原来数据得部分信息，按道理，越高丢的越多，但试了下"高阶（老高了）"发现咋又回光返照，信息再现了，有的说是白噪声，但这也白得太假了吧。(望指教！！！！！！！！！！！)
|
【本文地址】