本篇博文主要介绍如何用ARIMA模型来对股票数据做时序预测的。

获取数据

这里用的是tushare库，得到万科股票半年的数据。

import tushare as t1
t1.set_token('你自己的token')
ts=t1.pro_api()
df = ts.get_k_data('000002',start='2021-09-01',end='2021-12-31')#查万科两个月的历史行情
print(df)

观察原始数据的时序图和acf图：

df = df.dropna()
df = df["close"]
df.reset_index()

plt.plot(np.arange(81),df)
plt.title("时序图")  #添加图标题 
plt.xticks(rotation=45)    #横坐标旋转45度
plt.xlabel('date')   #添加图的标签（x轴，y轴）
plt.ylabel("close")

from statsmodels.graphics.tsaplots import plot_acf 
plot_acf(df,lags=30) 
plt.show()  

观察可得，数据不是平稳序列，接下来对数据进行简单的处理，使其变为平稳序列。

数据预处理

这块对数据做的处理是对数据进行一阶差分：

# 进行一阶差分 
D_ts1 = df.diff().dropna()  
D_ts1.columns = [u'close差分']

做完差分后，观察其时序图和acf、pacf图：



看起来感觉还可以，接下来用ADF检验来判断差分后的序列是否为平稳序列：

from arch.unitroot import ADF
adf = ADF(D_ts1)
# print(adf.pvalue)
print(adf.summary().as_text())

根据结果，可得到一阶差分后的序列为平稳序列。

模型识别

确定阶数的这一块是利用AIC和BIC，代码我就不放了

画出来的热力图是这样的，可得p=3，q=3

假设检验

拟合模型：

from statsmodels.tsa.arima_model import ARIMA

model = ARIMA(df, order=(3,1,3))
model_fit = model.fit()
model_fit.summary()

这里利用QQ图（利用QQ图检验残差是否满足正态分布）和DW（利用D-W检验,检验残差的自相关性）进行检验：

from statsmodels.graphics.api import qqplot 
from statsmodels.stats.stattools import durbin_watson #DW检验

resid = model_fit.resid 
plt.figure(figsize=(12,8))

qqplot(resid,line='q',fit=True)

print('D-W检验值为{}'.format(durbin_watson(resid.values)))

Out:

D-W检验值为2.000610162178381

说明模型还可以。

模型预测

预测模型使用predict函数就可以了。