如何在Python中用三階指數(shù)平滑模型對金融數(shù)據(jù)集進行擬合與預測
更新時間：2023年03月22日 17:16:00 作者：二十六夜.
這篇文章主要介紹了如何在Python中用三階指數(shù)平滑模型對金融數(shù)據(jù)集進行擬合與預測,本次實驗數(shù)據(jù)為10列金融數(shù)據(jù)集,且相互之間獨立,需要分別擬合預測,需要的朋友可以參考下
一、前期準備
本次模型的構建與預測都是用的是python進行，其中涉及多個庫：
import pandas as pd import matplotlib.pyplot as plt from statsmodels.graphics.api import qqplot import warnings import os from statsmodels.tsa.seasonal import seasonal_decompose from statsmodels.tsa.holtwinters import SimpleExpSmoothing,ExponentialSmoothing from sklearn.metrics import mean_squared_error
以上各個庫的作用介紹不是本文主要內容不過多解釋，請自行了解。
本次實踐通過三階指數(shù)平滑的方法對十列金融數(shù)據(jù)集進行模型的擬合與預測。
二、數(shù)據(jù)來源與樣式
本次實驗數(shù)據(jù)為十列金融數(shù)據(jù)集，該數(shù)據(jù)集為時間序列，且相互之間獨立，因此需要對十個時間序列分別進行擬合與預測。
圖1 數(shù)據(jù)樣式
三、數(shù)據(jù)的預處理
（一）表格處理
由于時間序列數(shù)據(jù)之間相互獨立，為了便于建模預測在導入之前我在excel表格上對數(shù)據(jù)進行了簡單的處理。
圖2 處理后表格
我將十個時間序列數(shù)據(jù)分別放入十個sheet里，并且以年份命名，以便于代碼導入數(shù)據(jù)。再者，由于原始時間序列數(shù)據(jù)沒有時間列，因此我按照個人理解添加了時間列，每一個數(shù)據(jù)都來自每月的一月一日，因此其周期可分為12、6、4、3等。
（二）數(shù)據(jù)導入
通過pandas的相關方法導入excel數(shù)據(jù)。設置好相關參數(shù)，這樣在pycharm里顯示數(shù)據(jù)時就不會出現(xiàn)過多數(shù)據(jù)而省略部分數(shù)據(jù)的情況。
#處理warning
warnings.filterwarnings("ignore") #有時候代碼處于某些原因會飄紅卻不影響正常的運行，為了美觀使用該代碼進行忽視處理
#作圖顯示中文字符
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#展示所有列表文件
pd.set_option('display.max_columns',1000)
pd.set_option("display.width",1000)
pd.set_option('display.max_colwidth',1000)
pd.set_option('display.max_rows',1000)
datax=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=None)在python中導入excel的方法在基礎操作篇有介紹，不再贅述，詳情可看本篇文章：
（三）數(shù)據(jù)處理
為方便后續(xù)選擇數(shù)據(jù)以及代碼參數(shù)的調整，我將“日期”列設置為行索引，通過以下代碼實現(xiàn)。
#將excel中的“日期”一列設置為行索引
data=data.set_index('日期')
data.index=pd.to_datetime(data.index)四、模型構建（指數(shù)平滑）
（一）數(shù)據(jù)作圖
在此以1964年金融數(shù)據(jù)集為例。首先導入數(shù)據(jù)并作出原始數(shù)據(jù)的折線圖。數(shù)據(jù)可視化的最基礎的知識可以看我先前寫的文章：
該篇末尾對數(shù)據(jù)可視化作了簡單的教學，但是只是冰山一角，想要深入學習數(shù)據(jù)可視化的朋友可以在網上查看其他的教程
#原始數(shù)據(jù)作圖
fig=plt.figure(figsize=(15,8))#作圖面積的大小
ax1=plt.subplot(1,1,1)#作圖的位置
plt.xticks(fontsize=20)#設置x軸刻度的字體大小
plt.yticks(fontsize=20)#設置y軸刻度的字體大小
plt.xlabel('日期',fontsize=35,color='blue')#設置x軸的標簽，藍色部分字
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')#設置y軸的標簽，藍色部分字
plt.title('原始數(shù)據(jù)1964',fontsize=35)#設置圖的標題
x1=data.index #將先前設置的日期行索引設置為坐標軸的橫軸
y=data.iloc[:,0] #利用提取excel列的方法，提取了金融數(shù)據(jù)集第一列的數(shù)據(jù)作為y軸
plt.plot(x1,y,linewidth=4.0,label='真實線',color='orange')#繪制坐標及數(shù)據(jù)，并設置一些參數(shù)
plt.legend(fontsize=20)#設置圖例，即圖中左上角那個
plt.show()#繪圖
圖3 1964年金融數(shù)據(jù)折線圖
由上圖可看到該年金融數(shù)據(jù)的基本趨勢。
（二）觀察季節(jié)性與趨勢
通過程序作出以下季節(jié)性及趨勢圖，我將周期設置為12，原因在開篇提及，不再復述。
decomposition=seasonal_decompose(data.iloc[:,0],model='addictive',period=12) decomposition.plot() plt.show()
#關于seasonal_decompose()方法的參數(shù) seasonal_decompose(x,model='additive',filt=None,period=None,two_sided=True,extrapolate_trend=0)
| x | 時間序列。如果是兩維的，則單個Series應該在一列中。x 必須包含 2 個完整的周期。 |
| model | {“additive”, “multiplicative”} 時間序列分解的類型（加和 or 求乘積）參數(shù)名稱縮寫是允許的 |
| filt | 過濾掉季節(jié)性分量的過濾系數(shù)。 濾波中使用的具體移動平均法（單邊or兩側）由 two_sided確定。（個人理解是，計算滑動平均時，滑動平均階數(shù)內各點所乘的那個系數(shù)） |
| period | 時間序列的周期。如果 x 不是 pandas 對象或 x 的索引沒有頻率，則必須使用。如果 x 是具有時間序列索引的 pandas 對象，則覆蓋 x 的默認周期。 |
| two_sided | 濾波中使用的移動平均法。如果為 True（默認），則使用 filt 計算居中移動平均值。如果為 False，則濾波器系數(shù)filt僅適用于過去的值。 |
| extrapolate_trend | 如果設置為 > 0，考慮到這么多 (+1) 個最近點，移動平均（卷積）產生的趨勢是在兩端外推的線性最小二乘法（如果 two_lateral 為 False，則為單側外推）。如果設置為“freq”，則使用最近點。設置此參數(shù)會導致趨勢或殘差組件中沒有 NaN 值。 |
圖4 季節(jié)性及趨勢圖
從趨勢圖中看到，自1965到1967年期間數(shù)據(jù)有較大幅度的上漲，波動較大。而在1967到1971年間趨勢波動小，變動較為平。1971年至1972年又出現(xiàn)了較大的波動。從季節(jié)性圖來看，數(shù)據(jù)的變化在12期的情況下出現(xiàn)了周期波動的情況，說明該金融數(shù)據(jù)存在季節(jié)性趨。殘差圖則說明了數(shù)據(jù)中隨機誤差的產生是呈現(xiàn)正態(tài)分布的，并且期分布隨機、不可預測。因此以該數(shù)據(jù)來構建預測模型是具有可行性的。
（三）一階指數(shù)平滑
以下是一階模型擬合數(shù)據(jù)的代碼：需要注意的是，擬合的時候需要在最后加上 .fittedvalues 。
datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues print(datasmooth1)
以下是一階平滑擬合的可視化代碼及圖：
plt.figure(figsize=(15,8))
plt.title('一階平滑1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth1.plot(color='green',linewidth=3.0,label='擬合線') #將一階平滑的結果畫折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實線')#將原始數(shù)據(jù)畫折線圖
plt.legend(fontsize=20)
plt.show()
圖5 一階平滑結果可視化
由圖可以看出一階指數(shù)平滑下模型的擬合效果很差，沒有擬合出原始數(shù)據(jù)的波動與趨勢，因此一階指數(shù)平滑不可用。
（四）二階指數(shù)平滑
以下是二階模型擬合數(shù)據(jù)的代碼：
datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues#添加trend效果 datasmooth2_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal=None).fit().fittedvalues#非添加trend效果 print(datasmooth2) print(datasmooth2_2)
以下是二階平滑擬合的可視化代碼及圖：
plt.figure(figsize=(15,8))
plt.title('二階平滑1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth2.plot(color='green',linewidth=3.0,label='line_add')#添加trend效果折線圖
datasmooth2_2.plot(color='red',linewidth=3.0,label='line_mul')#非添加trend效果折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')#真實線圖
plt.legend(fontsize=20)
plt.show()
圖6 二階平滑結果可視化
由圖看出，二階平滑區(qū)分為真實線、加入趨勢效應、未加入趨勢效應三條線，其中加入趨勢效應的曲線的擬合效果更加貼近真實線。但總的來看，二階指數(shù)平滑的擬合效果仍然很差，無法擬合出原始數(shù)據(jù)的波動與趨勢。
（五）三階指數(shù)平滑
以下是三階模型擬合數(shù)據(jù)的代碼：
datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues#添加seasonal效果 datasmooth3_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal="mul", seasonal_periods=12).fit().fittedvalues#非添加seasonal效果 print(datasmooth3) print(datasmooth3_2)
以下是二階平滑擬合的可視化代碼及圖：
plt.figure(figsize=(15,8))
plt.title('三階平滑'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth3.plot(color='green',linewidth=3.0,label='line_add')#添加seasonal效果折線圖
datasmooth3_2.plot(color='red',linewidth=3.0,label='line_mul')#非添加seasonal效果折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')#原始數(shù)據(jù)折線圖
plt.legend(fontsize=20)
plt.show()
圖7 三階平滑結果可視化
由圖可以看出，三階指數(shù)平滑后的結果與原始數(shù)據(jù)更為貼近，反映出了原始數(shù)據(jù)的波動及趨勢。圖中的三條線分別為原始數(shù)據(jù)線、加入季節(jié)效應線、未加入季節(jié)效應線，而加入了季節(jié)效應的曲線效果與原始數(shù)據(jù)更加接近。綜合以上，三階指數(shù)平滑的效果相對一階指數(shù)平滑以及二階指數(shù)平滑的表現(xiàn)更良好。
（六）均方誤（MSE）比較
以上我做了三個模型，分別為一階指數(shù)平滑、二階指數(shù)平滑和三階指數(shù)平滑，為了從這三者之間選擇哪一個模型效果最優(yōu)，那么需要有一個標準來進行比較，而通常會選擇比較三個模型的均方誤（MSE）來進行選擇。代碼如下：
from sklearn.metrics import mean_squared_error datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues#一階指數(shù)平滑擬合結果 datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues#二階指數(shù)平滑擬合結果 datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues#三階指數(shù)平滑擬合結果 mse_1 = mean_squared_error(datasmooth1,data.iloc[:,0])#一階指數(shù)平滑的均方誤 mse_2 = mean_squared_error(datasmooth2,data.iloc[:,0])#二階指數(shù)平滑的均方誤 mse_3 = mean_squared_error(datasmooth3,data.iloc[:,0])#三階指數(shù)平滑的均方誤 print(mse_1) print(mse_2) print(mse_3)
| 表1 均方誤計算結果 | ||
| 均方誤（MSE） | ||
| 一階指數(shù)平滑 | 二階指數(shù)平滑 | 三階指數(shù)平滑 |
| 140960.991 | 155824.614 | 47311.015 |
由上表可知，三界指數(shù)平滑的均方誤是最小的，且都遠小于一階與二階情況下的均方誤，說明三界指數(shù)平滑的擬合效果要優(yōu)于一階指數(shù)平滑與二階指數(shù)平滑。總體來看，三者的均方誤都很大，在模型的擬合與預測中仍然存在較大的偏差，但相對于ARMA模型來說其擬合效果已經有很大的提升。
（七）正態(tài)性檢驗
正態(tài)性檢驗代碼與圖如下：
resid=model.resid#先計算出數(shù)據(jù)的殘差
#以下再進行作圖
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(1,1,1)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('Theoretical Quantiles',fontsize=35,color='blue')
plt.ylabel('Sample Quantiles',fontsize=35,color='blue')
plt.title('正態(tài)性檢驗1964',fontsize=20)
fig=qqplot(resid,line='q',ax=ax,fit=True)
plt.show()
圖8 正態(tài)性檢驗qq圖
由qq圖來看，該模型數(shù)據(jù)通過正態(tài)性檢驗，符合正態(tài)性分布，說明我先前的判斷合理。綜合以上考慮，我決定使用三階指數(shù)平滑方法來構建模型并預測未來18期的金融數(shù)據(jù)。
五、數(shù)據(jù)預測
預測數(shù)據(jù)的代碼如下：
(需要注意的是：在進行預測時，第一行代碼與擬合時不一樣，最后部分沒有 .fittedvalues 。)
通過forecast()方法進行未來十八期數(shù)據(jù)的預測，其中該方法中的數(shù)字18則是說明要預測未來18期的數(shù)據(jù)。
model = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit() pred = model.forecast(18) print(pred)
| 表2 未來18期預測數(shù)據(jù) | |
|---|---|
| 日期 | 預測數(shù)據(jù) |
| 1973-01-01 | 7285.228568 |
| 1973-02-01 | 6915.147716 |
| 1973-03-01 | 7793.479060 |
| 1973-04-01 | 7143.713913 |
| 1973-05-01 | 7379.143971 |
| 1973-06-01 | 7104.064988 |
| 1973-07-01 | 6545.559722 |
| 1973-08-01 | 6991.558418 |
| 1973-09-01 | 6986.912414 |
| 1973-10-01 | 7799.023518 |
| 1973-11-01 | 7221.405211 |
| 1973-12-01 | 6921.526282 |
| 1974-01-01 | 7199.852791 |
| 1974-02-01 | 6829.771939 |
| 1974-03-01 | 7708.103282 |
| 1974-04-01 | 7058.338135 |
| 1974-05-01 | 7293.768194 |
| 1974-06-01 | 7018.689211 |
上表是由模型預測出的未來18期的金融數(shù)據(jù)。
預測圖代碼如下：
plt.figure(figsize=(15,8))
plt.title('最終預測結果1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
pred.plot(color='red',linewidth=3.0,label='預測線')#預測數(shù)據(jù)折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實線')#實際數(shù)據(jù)折線圖
plt.legend(fontsize=20)
plt.show()
圖9 預測結果可視化
由上圖看出，預測數(shù)據(jù)的波動以及變化趨勢與原始數(shù)據(jù)較為吻合，認為其具有一定的合理性。
六、總結
以上的建模與預測只以1964年金融數(shù)據(jù)集為例，而其他數(shù)據(jù)集在我進行建模過程中表現(xiàn)出的特性與該例子的數(shù)據(jù)集相似，因此使用三階指數(shù)平滑的方法在十個數(shù)據(jù)集中都能夠行得通。
七、完整代碼
由于總體需要預測的數(shù)據(jù)有10列，而我在數(shù)據(jù)處理時將十列數(shù)據(jù)分別放入同一個表格中的不同Sheet，在本文開頭已有說明，因此完整代碼中我加入了一個簡單的循環(huán)與函數(shù)來遍歷不同的sheet來分別預測不同的數(shù)據(jù)集·。同時也出于個人的需要，我要將代碼輸出的數(shù)據(jù)寫入一個word文件中，因此在完整代碼中可以看到print()函數(shù)里面會接一個file=wordfile參數(shù)，這個就是將輸出print到我指定的word文件中，同時我還需要將作出的圖片輸出到指定的文件夾當中，因此在作圖的最后我會添加一行plt.savefig()樣式的代碼，這個對于作圖可有可無，純看個人的需求。
其次，三階指數(shù)平滑并不是該數(shù)據(jù)集的最優(yōu)的擬合與預測方法，只是相對其他模型而言實現(xiàn)相對簡單，若有更高的預測精度需求可自行嘗試構建其他模型。
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.api import qqplot
import warnings
import os
#處理warning
warnings.filterwarnings("ignore")
#作圖顯示中文字符
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#展示所有列表文件
pd.set_option('display.max_columns',1000)
pd.set_option("display.width",1000)
pd.set_option('display.max_colwidth',1000)
pd.set_option('display.max_rows',1000)
datax=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=None)#導入表格中的所有sheet
datasets=['1998','2001','1996','1981','1982','1974','1976','1972','1984','1964']#待循環(huán)的十個數(shù)據(jù)
def timeda_3(num):
data=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=num)
data=data.set_index('日期')
data.index=pd.to_datetime(data.index)
#原始數(shù)據(jù)作圖
fig=plt.figure(figsize=(15,8))
ax1=plt.subplot(1,1,1)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
plt.title('原始數(shù)據(jù)'+num,fontsize=35)
x1=data.index
y=data.iloc[:,0]
plt.plot(x1,y,linewidth=4.0,label='真實線',color='orange')
plt.legend(fontsize=20)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '原始數(shù)據(jù)圖'+num))#用于將圖片保存到指定的文件夾中
plt.show()
#作季節(jié)性圖
from statsmodels.tsa.seasonal import seasonal_decompose
decomposition=seasonal_decompose(data.iloc[:,0],model='addictive',period=12)
decomposition.plot()
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '季節(jié)性圖' + num))
plt.show()
#一階平滑
from statsmodels.tsa.holtwinters import SimpleExpSmoothing,ExponentialSmoothing
datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues
print('一階平滑結果：\n',datasmooth1,file=wordfile)
plt.figure(figsize=(15,8))
plt.title('一階平滑'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth1.plot(color='green',linewidth=3.0,label='擬合線')
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實線')
plt.legend(fontsize=20)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '一階平滑圖' + num))
plt.show()
#一階平滑均方誤
datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues
from sklearn.metrics import mean_squared_error
mse_1 = mean_squared_error(datasmooth1,data.iloc[:,0])
print('一階平滑均方誤：',mse_1,file=wordfile)
#二階平滑
datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues
datasmooth2_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal=None).fit().fittedvalues
print('二階平滑結果(add）：\n',datasmooth2,file=wordfile)
print('二階平滑結果（mul)：\n',datasmooth2_2,file=wordfile)
plt.figure(figsize=(15,8))
plt.title('二階平滑'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth2.plot(color='green',linewidth=3.0,label='line_add')
datasmooth2_2.plot(color='red',linewidth=3.0,label='line_mul')
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')
plt.legend(fontsize=20)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '二階平滑圖' + num))
plt.show()
#二階平滑均方誤
datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues
from sklearn.metrics import mean_squared_error
mse_2 = mean_squared_error(datasmooth2,data.iloc[:,0])
print('二階平滑均方誤：',mse_2,file=wordfile)
#三階平滑
datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues
datasmooth3_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal="mul", seasonal_periods=12).fit().fittedvalues
print('三階平滑結果(add)：\n',datasmooth3,file=wordfile)
print('三階平滑結果(mul)：\n',datasmooth3_2,file=wordfile)
plt.figure(figsize=(15,8))
plt.title('三階平滑'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth3.plot(color='green',linewidth=3.0,label='line_add')
datasmooth3_2.plot(color='red',linewidth=3.0,label='line_mul')
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')
plt.legend(fontsize=20)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '三階平滑圖' + num))
plt.show()
#三階平滑均方誤
datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues
from sklearn.metrics import mean_squared_error
mse_3 = mean_squared_error(datasmooth3,data.iloc[:,0])
print('三階平滑均方誤：',mse_3,file=wordfile)
#預測三階平滑模型數(shù)據(jù)
model = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit()
pred = model.forecast(18)
print('三階平滑預測結果數(shù)據(jù)：\n',pred,file=wordfile)
#qq圖正態(tài)性檢驗
resid=model.resid
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(1,1,1)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('Theoretical Quantiles',fontsize=35,color='blue')
plt.ylabel('Sample Quantiles',fontsize=35,color='blue')
plt.title('正態(tài)性檢驗'+num,fontsize=20)
fig=qqplot(resid,line='q',ax=ax,fit=True)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '正態(tài)性檢驗qq圖' + num))
plt.show()
#預測圖
plt.figure(figsize=(15,8))
plt.title('最終預測結果'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
pred.plot(color='red',linewidth=3.0,label='預測線')
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實線')
plt.legend(fontsize=20)
plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '預測數(shù)據(jù)圖' + num))
plt.show()
print('-------------','以上為',num,'年的數(shù)據(jù)','------------',file=wordfile)
if __name__=='__main__':
wordfile = open(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\數(shù)據(jù)輸出.docx', 'w')#打開一個word文檔，只有打開了才能寫入
for num in datasets:
timeda_3(num)
wordfile.close()#寫完word文檔后要關閉，才能保存。
print('運行完畢')到此這篇關于如何在Python中用三階指數(shù)平滑模型對金融數(shù)據(jù)集進行擬合與預測的文章就介紹到這了,更多相關python 模型 金融 人工智能內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了python使用三角迭代計算圓周率PI的方法,實例分析了Python迭代算法的技巧,具有一定參考借鑒價值,需要的朋友可以參考下2015-03-03
關于pytest結合csv模塊實現(xiàn)csv格式的數(shù)據(jù)驅動問題
這篇文章主要介紹了pytest結合csv模塊實現(xiàn)csv格式的數(shù)據(jù)驅動,使用python中的csv模塊來處理csv文件，結合pygtest的參數(shù)化處理方式來實現(xiàn)ddt，本文通過示例代碼給大家介紹的非常詳細，需要的朋友參考下吧2022-05-05
本文給大家分享的是如何使用Python實現(xiàn)多線程抓取知乎用戶的思路以及代碼，非常的詳細，作者使用本程序成功抓取到了百萬用戶，有需要的小伙伴可以參考下2016-12-12
這篇文章主要介紹了Python中的迭代器和生成器,涉及到Python中很多重要的特性,小編覺得這篇文章寫的還不錯，需要的朋友可以參考下2021-10-10
接口自動化多層嵌套json數(shù)據(jù)處理代碼實例
這篇文章主要介紹了接口自動化多層嵌套json數(shù)據(jù)處理代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-11-11
這篇文章主要為大家介紹了pytest自動化測試中的fixture的聲明和調用，文中含有詳細示例操作有需要的朋友可以借鑒參考下，希望能夠有所幫助2021-10-10
Python實例方法與類方法和靜態(tài)方法介紹與區(qū)別分析
在 Python 中，實例方法（instance method），類方法（class method）與靜態(tài)方法（static method）經常容易混淆。本文通過代碼例子來說明它們的區(qū)別2022-10-10
Python 實現(xiàn)判斷圖片格式并轉換,將轉換的圖像存到生成的文件夾中
今天小編就為大家分享一篇Python判斷圖片格式并轉換，將轉換的圖像存到生成的文件夾中，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01
這篇文章主要介紹了python 還原梯度下降算法實現(xiàn)一維線性回歸，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-10-10
這篇文章主要介紹了Python繪圖之二維圖與三維圖詳解，文中通過示例代碼與效果圖片一一對照介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-08-08