Прогнозирование временных рядов – это мощный метод, используемый для прогнозирования будущих значений на основе исторических закономерностей. Одним из популярных методов в этой области является AutoARIMA, который автоматически определяет оптимальные параметры модели ARIMA. В этой статье мы рассмотрим шаги по запуску AutoARIMA в столбце «закрыть» набора данных «stock_data_clean». Мы рассмотрим несколько методов с примерами кода, которые помогут вам приступить к прогнозированию временных рядов с помощью AutoARIMA.

Методы:

1. Подготовка данных:

   • Импортируйте необходимые библиотеки: pandas, numpy, matplotlib.
   • Загрузите набор данных «stock_data_clean».
   • Предварительная обработка данных путем преобразования их в подходящий формат временных рядов.

   import pandas as pd
   import numpy as np
   import matplotlib.pyplot as plt
   
   # Load the dataset
   stock_data = pd.read_csv('stock_data_clean.csv')
   
   # Convert the 'close' column to datetime
   stock_data['close'] = pd.to_datetime(stock_data['close'])
   
   # Set the 'close' column as the index
   stock_data.set_index('close', inplace=True)

2. Визуализируйте временной ряд:

   • Постройте график данных временных рядов, чтобы получить представление о закономерностях и тенденциях.

   plt.figure(figsize=(12, 6))
   plt.plot(stock_data.index, stock_data['close'])
   plt.title('Stock Close Prices Over Time')
   plt.xlabel('Time')
   plt.ylabel('Close Price')
   plt.show()

3. Установите и импортируйте необходимые библиотеки:

   • Установите библиотеку pmdarima, которая обеспечивает реализацию AutoARIMA.
   • Импортируйте необходимые модули из pmdarima.

   !pip install pmdarima
   from pmdarima.arima import auto_arima

4. Запустить AutoARIMA:

   • Примените AutoARIMA для автоматического определения оптимальных параметров модели ARIMA.

   # Define the exogenous variables if any
   exog = None
   
   # Run AutoARIMA
   model = auto_arima(stock_data, exogenous=exog)

5. Сводка модели и диагностика:

   • Распечатайте сводку подобранной модели и диагностируйте ее остатки.

   print(model.summary())
   model.plot_diagnostics(figsize=(12, 8))
   plt.show()

6. Прогнозирование:

   • Создание прогнозов на будущее с использованием подобранной модели AutoARIMA.

   # Set the number of steps to forecast
   n_steps = 30
   
   # Generate forecasts
   forecasts, conf_int = model.predict(n_steps, return_conf_int=True)

В этой статье мы рассмотрели, как запустить AutoARIMA для столбца «закрыть» набора данных «stock_data_clean». Мы рассмотрели различные этапы, включая подготовку данных, визуализацию, установку необходимых библиотек, запуск AutoARIMA, сводку модели и прогнозирование. Следуя этим методам, вы можете использовать возможности AutoARIMA для прогнозирования временных рядов на основе собственных наборов данных. Не забудьте точно настроить параметры и оценить производительность модели с учетом ваших конкретных требований.