50行代码探索金融数据，使用Python进行时间序列分析和预测

时间序列分析和预测：用Python探索经济和金融数据的教程。

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

时间序列分析是一种基于历史数据和趋势分析进行预测的统计技术。它在金融和经济领域非常普遍，因为它可以准确预测趋势并做出明智的决策。在本教程中将使用Python来探索经济和金融数据，执行统计分析，并创建时间序列预测。

我们将在本教程中使用NumPy、Pandas和Matplotlib等不同的Python库来完成本教程。此外，我们还将介绍yfinance库，我们将使用它来从Yahoo Finance下载金融数据。

开始工作

在开始之前，安装必要的库。打开终端并运行以下命令：

!pip install pandas numpy matplotlib yfinance

接下来，打开一个新的Jupyter Notebook或你选择的任何Python环境，我们可以开始实现我们的代码。

数据收集

为了演示如何使用Python进行时间序列分析和预测，我们将使用微软公司的每日调整收盘价，这些数据由Yahoo Finance提供。在下载数据之前，让我们导入所需的库：

import pandas as pd
import numpy as np
import yfinance as yf
import matplotlib.pyplot as plt

# 设置可视化的样式。
plt.style.use('fivethirtyeight')

接下来，让我们定义微软公司的股票代码、开始和结束日期。

# 定义股票代码并下载数据。
MSFT = yf.download('MSFT', start='2010-01-01', end='2022-06-30')

yfinance库提供了一种简单的方法来下载特定股票代码的金融数据。开始和结束日期表示我们要下载的数据时间段，在本例中为2010年1月至2022年6月。

探索性数据分析

现在我们已经下载了数据，让我们探索一下数据以更好地了解它的结构和特征。我们可以使用Pandas来分析数据。

# 显示数据的前5行。
print(MSFT.head())

# 显示数据的统计摘要。
print(MSFT.describe())

第一行代码将数据的前5行输出到控制台。它给我们一个快速查看数据的结构——显示日期、开盘价、最高价、最低价、收盘价和调整后的收盘价。

第二行代码提供了数据的统计摘要，显示计数、平均值、标准差、最小值、最大值和四分位数值。

接下来，让我们绘制每日调整后的收盘价，使数据可视化。

# 绘制微软公司的调整后收盘价。
plt.figure(figsize=(12,6))
plt.plot(MSFT['Adj Close'], label='Adjusted Close')
plt.title('Microsoft Adjusted Close Price')
plt.xlabel('Date')
plt.ylabel('Adjusted Close Price ($)')
plt.legend(loc='upper left')
plt.xticks(rotation=45)
plt.show()

通过查看图表，我们可以观察到微软公司的调整后收盘价在过去曾经有过一些下跌，特别是在2008年的全球金融危机期间。然而，这个值后来增长了很多，反映出一个积极的趋势。

为了更好地了解这些趋势，让我们考虑计算并绘制移动平均线。

# 计算短期移动平均线'MA20'。
MSFT['MA20'] = MSFT['Adj Close'].rolling(window=20).mean()

# 计算长期移动平均线'MA50'。
MSFT['MA50'] = MSFT['Adj Close'].rolling(window=50).mean()

# 绘制微软调整后的收盘价和移动平均线。
plt.figure(figsize=(12,6))
plt.plot(MSFT['Adj Close'], label='Adjusted Close')
plt.plot(MSFT['MA20'], label='MA20')
plt.plot(MSFT['MA50'], label='MA50')

plt.title('Microsoft Adjusted Close Price with Moving Averages')
plt.xlabel('Date')
plt.ylabel('Adjusted Close Price ($)')
plt.xticks(rotation=45)
plt.legend(loc='upper left')
plt.show()

上述代码计算了短期（20天窗口）和长期（50天窗口）移动平均线，并将它们与每日调整后的收盘价一起绘制出来。

我们可以看到，移动平均线的变化不大，能更好地反映股票的整体趋势。MA20的趋势似乎与股价趋势非常接近，而MA50让我们对股票的长期趋势有了大致的了解。

时间序列分析

接下来，我们需要进行时间序列分析，以深入了解数据的时间行为。自相关函数（ACF）和偏自相关函数（PACF）用于识别连续观测值和预测值之间的关系。我们可以使用statsmodels库来计算ACF和PACF。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 绘制自相关和偏自相关函数
fig, ax = plt.subplots(2, figsize=(12,6))
plot_acf(MSFT['Adj Close'], lags=20, ax=ax[0])
plot_pacf(MSFT['Adj Close'], lags=20, ax=ax[1])
plt.show()

上面的代码绘制了微软公司调整后的收盘价的ACF和PACF，滞后期最长为20。

从ACF图中，我们可以观察到自相关值在缓慢下降。PACF图表明只有在滞后1时期，才存在显著的自相关性，这表明第一个滞后期或时间段与当前观察值具有最强的相关性。

预测

现在我们已经分析了数据并了解了其结构和趋势，让我们使用Prophet库进行一些预测。

!pip install prophet
from prophet import Prophet

首先，我们将创建一个新的DataFrame，仅捕获我们分析所需的列。

# 创建一个新的DataFrame
data = MSFT.loc[:, ['Adj Close']]
data.head()

接下来，我们将重命名列以适应Prophet的命名约定。

# 重命名列以适应Prophet的命名约定
data = data.reset_index()
data = data.rename(columns={'Date':'ds', 'Adj Close':'y'})
data.head()

上述代码将DataFrame中必要的列重命名以适应Prophet的命名约定。ds列表示日期，而y列表示我们要预测的值。

现在，我们将数据拆分为训练集和测试集，并使用Prophet库进行预测。

train_data = data[data['ds'] < '2021-07-01']
test_data = data[data['ds'] >= '2021-07-01']

# 创建模型并拟合训练数据
model = Prophet()
model.fit(train_data)

# 定义一个与预测范围一致的新的DataFrame
future = test_data[['ds']]
forecast = model.predict(future)

# 绘制预测图
model.plot(forecast)
plt.title('Microsoft Adjusted Close Price: Actual vs. Forecast')
plt.xlabel('Date')
plt.ylabel('Adjusted Close Price ($)')
plt.show()

上述代码创建了一个Prophet模型并拟合训练数据。未来的DataFrame用ds列表示我们的预测日期。然后我们进行预测，并将结果保存在forecast DataFrame中。最后，我们使用模型的plot()函数绘制预测图。