标签：range size att 预测 label import tsm cti now()
CFFEX.IF1808，截止到当日的1000条收盘价格走势：
# encoding: utf-8 import talib from talib.abstract import SMA import numpy as np import pandas as pd import math import datetime from collections import deque from gm.api import * #掘金 import matplotlib.pyplot as plt import matplotlib as mpl import mpl_finance as mpf import matplotlib.dates as mpd import seaborn as sns import statsmodels.tsa.stattools as ts import statsmodels.api as sm from statsmodels.tsa.arima_model import ARMA from scipy import stats from statsmodels.graphics.api import qqplot set_token(‘****************************‘) #自行填写自己的token
now=datetime.datetime.now().date() last_day=get_previous_trading_date(exchange=‘SHSE‘,date=now) index_futures=get_continuous_contracts(csymbol=‘CFFEX.IF‘,start_date=last_day,end_date=last_day) #print index_futures strike_info=history_n(symbol=‘CFFEX.IF1808‘,frequency=‘60s‘,end_time=‘2018-07-01‘,fields=‘symbol,close,frequency,cum_volume‘,count=1000,df=True) strike_info.dropna() price=np.array(strike_info[‘close‘])
一个时间序列，他可能是有趋势的，是不平稳的，所以如果不平稳需要做差分。
ADF检测结果：
95%置信区间，p=0.0076，99%置信区间下，p=-3.5。对模型做一阶差分，希望得到一个平稳的时间序列
一阶差分后，模型基本平稳：
p=ts.adfuller(strike_info[‘close‘])[0] #print p price_log=strike_info[‘close‘].diff()
AR（p）模型，PACF会在lag=p时截尾，也就是，PACF图中的值落入宽带区域中。
MA（q）模型，ACF会在lag=q时截尾，同理，ACF图中的值落入宽带区域中。
用ACF（自相关系数）或者PACF（偏自相关系数）观察模型：
fig = plt.figure(figsize=(12,8)) ax1=fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(strike_info[‘close‘],lags=40,ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(strike_info[‘close‘],lags=40,ax=ax2) plt.show()
优先选择PACF图，因为PACF大约在lag=1时截尾，即PACF的值落入宽带区域中
选择AR(P=1)的模型进行自回归拟合，得到拟合效果：
arma_mod80 = sm.tsa.ARMA(strike_info[‘close‘],(1,0)).fit() print(arma_mod80.aic,arma_mod80.bic,arma_mod80.hqic) resid = arma_mod80.resid print(sm.stats.durbin_watson(arma_mod80.resid.values)) print(stats.normaltest(resid)) fig = plt.figure(figsize=(12,8)) ax = fig.add_subplot(111) fig = qqplot(resid, line=‘q‘, ax=ax, fit=True) plt.show()
检验：计算得到序列的残差，基本为白噪音
fig = plt.figure(figsize=(12,8)) ax1 = fig.add_subplot(211) fig = sm.graphics.tsa.plot_acf(resid.values.squeeze(), lags=40, ax=ax1) ax2 = fig.add_subplot(212) fig = sm.graphics.tsa.plot_pacf(resid, lags=40, ax=ax2) plt.show()
用自回归拟合的模型进行预测，结果如下：
fig=plt.figure(figsize=(15,7)) price2=strike_info=history_n(symbol=‘CFFEX.IF1808‘,frequency=‘60s‘,end_time=‘2018-07-01‘,fields=‘symbol,close,frequency,cum_volume‘,count=1000,df=True)[‘close‘] price3=strike_info=history_n(symbol=‘CFFEX.IF1808‘,frequency=‘60s‘,end_time=now,fields=‘symbol,close,frequency,cum_volume‘,count=1000,df=True)[‘close‘] print len(price2) fit = arma_mod80.predict(0, 1100) plt.plot(range(1100),fit[:1100],label=‘predict‘) plt.plot(price2,label=‘price‘) plt.legend(loc=4) plt.show()
标签：range size att 预测 label import tsm cti now()
原文地址：https://www.cnblogs.com/timotong/p/9501228.html
