作者使用模型制作的图形。
在之前的帖子中，我解释并展示了脸书的先知模型是如何工作的。如果你错过了，看看这里的。
近日，脸书数据科学团队发布了该模型的新版本NeuralProphet。
免责声明(在我们继续之前):已经有人尝试使用时间序列分析算法来预测股票价格，尽管它们仍然不能用于在真实市场中下注。这只是一篇教程文章，并不打算以任何方式“指导”人们购买股票。
让我们开始吧。
如果您想在交互式路线图和活跃的学习社区的支持下自学数据科学，请查看以下资源:https://aigents.co/learn
传统上，大多数机器学习(ML)模型使用一些观察值(样本/例子)作为输入特征，但是在数据中没有时间维度维度。
时间序列预测模型是能够根据先前 观测 值预测 未来值的模型。时间序列预测广泛用于非平稳数据。非平稳数据被称为其统计属性(例如，平均值和标准偏差)不随时间保持不变，而是随时间变化的数据。
这些非平稳输入数据(用作这些模型的输入)通常被称为时间序列。时间序列的一些例子包括随时间变化的温度值、随时间变化的股票价格、随时间变化的房屋价格等。因此，输入是一个信号(时间序列),它是由在时间中连续进行的观察所定义的**。**
时间序列是按时间顺序进行的一系列观察。
时间序列的一个例子。剧情是作者用 Python 创作的。
观察:时序数据被记录在一个离散 时间 刻度上。
预测预测最常用的模型是 自回归 模型。简而言之，自回归模型规定输出变量线性依赖于它自己以前的值和一个随机项(一个不完全可预测的项)。
最近，为了开发一个可以在时间序列数据中捕捉季节性的模型，脸书开发了著名的 Prophet 模型，每个人都可以公开获得。预言者能够通过实现 加性回归 模型来捕捉每日**、每周和每年的季节性以及假日 影响。**
Prophet 模型背后的数学方程式定义为:
y(t) = g(t) + s(t) + h(t) + e(t)
- 其中，g(t)代表趋势。Prophet 使用分段线性模型进行趋势预测。
- s(t)代表周期性变化(每周、每月、每年)。
- h(t)代表假期的影响(回想一下:假期影响业务)。
- e(t)是误差项。
Prophet 模型拟合过程通常非常快(即使对于成千上万的观察)，并且不需要任何数据预处理。它还处理缺失数据和异常值。
1.3 新的预测模型:脸书的神经营养因子
最近，脸书数据科学团队发布了该模型的新版本**。**NeuralProphet是基于神经网络的时间序列数据模型。
与旧的 Prophet 模型相比的主要差异总结如下:
- 通过使用 PyTorch 作为后端进行优化的梯度下降。
- 基于 AR-Net 的时间序列自相关建模
- 使用独立的前馈神经网络建模滞后回归量。
- FFNNs 的可配置非线性深层。
- 可调整到特定的预测范围(大于 1)。
- 自定义损失和指标。
来源:https://neuralprophet.com/changes-from-prophet/
现在让我们开始吧！
感谢雅虎财经，我们可以免费获得的数据**。使用以下链接获取谷歌过去 5 年的股价历史:https://finance.yahoo.com/quote/GOOG/history?周期 1=1433548800 &周期 2=1591833600 &间隔=1d &过滤器=历史&频率=1d**
您应该看到以下内容:
如何下载数据。
点击下载并保存。csv** 文件本地保存在您的计算机上。数据是从 2016 到现在( 2021 )！**
现在有了数据，就来考察数据，建立模型，预测股价吧！
3.0 安装 python 模块
pip install neuralprophet
3.1。加载&检查数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt# Load the dataset using pandas
data = pd.read_csv("/Users/loukas/Downloads/GOOG.csv")
data.head(5)
上面的代码应该打印出以下内容:
数据集的前 5 行。
现在，让我们打印一些统计数据**，例如上述特征(列)的平均值、中值、最小值、最大值和标准偏差值。**
data.describe()
在过去的 5 年里(2016-2021)，在收盘时的平均股价为 1207.9 美元！真的很高！
现在让我们继续建模。我们将仅使用日期和收盘价格作为我们模型的特征。****
# Select only the important features i.e. the date and price
data = data[["Date","Close"]] # select Date and Price# Rename the features: These names are NEEDED for the model fitting
data = data.rename(columns = {"Date":"ds","Close":"y"}) #renaming the columns of the datasetdata.head(5)
最后一个 python 命令应该返回数据集的前 5 行。您应该会看到类似这样的内容:
这里，ds是日期，y是谷歌** 股票价格。**
在本教程中，我们不会将数据拆分为训练和测试集，而是使用所有数据来拟合模型，然后要求模型预测未来值，即 2022 年的股价。
通常，人们将数据分为训练和测试，因为他们不想在测试集上训练模型。如果我们隐藏一个测试集，那么模型将会预测看不见的数据的值。在这种情况下，我们也能够测量模型的误差。
3.2。建立预测模型(简单版)
接下来，我们从neuralprophet模块导入NeuralProphet类，然后创建一个NeuralProphet类的对象。
这个数据集的一个简单模型neural_prophet可以通过如下创建一个NeuralProphet类的对象并调用 fit 函数来拟合。这将使模型符合模型中的默认设置。有关这些默认设置的更多详情，请参考超参数选择一节。
为了预测 GOOGLE 价格，我们可以训练一个模型，使用过去 2 天的股票价格来预测未来 3 天的价格。这些参数由下面代码中的 n_lags 和 n_forecasts 参数指定。点击阅读更多。
from neuralprophet import NeuralProphet# m = NeuralProphet() # default model# our modelm = NeuralProphet(
n_forecasts=60,
n_lags=60,
n_changepoints=50,
yearly_seasonality=True,
weekly_seasonality=False,
daily_seasonality=False,
batch_size=64,
epochs=100,
learning_rate=1.0,
)metrics = m.fit(data, freq="D") # fit the model using all data# with cross-validation
# metrics = m.fit(data,
# freq="D",
# valid_p=0.2, # validation proportion of data (20%)
# epochs=100)
要检查所有参数，请使用:
help(NeuralProphet)
试衣可能需要 3-4 分钟。
3.3。进行预测并绘制预测图
现在，对于最后一步，我们将要求模型预测未来值，然后将预测可视化。
一旦模型被拟合，我们就可以使用拟合的模型进行预测。为此，我们首先需要创建一个未来数据框架，其中包含我们需要预测的未来时间步长。NeuralProphet为此提供了助手功能make_future_dataframe。
# Predictions
future = m.make_future_dataframe(data, periods=60, n_historic_predictions=len(data)) #we need to specify the number of days in future
prediction = m.predict(future)# Plotting
forecast = m.plot(prediction)plt.title("Prediction of the Google Stock Price using NeuralProphet for the next 60 days")
plt.xlabel("Date")
plt.ylabel("Close Stock Price")
plt.show()
侧 注:在这种情况下，我们无法测量模型的误差。如果有人想这样做，那么他们应该将数据分为训练集和测试集，仅使用训练集拟合模型，预测测试集的价格，然后使用测试集的基本真实价格值来衡量误差。另请参见处的验证指南。
观察结果:2020 年 3 月，由于新冠肺炎的封锁，股价大幅下跌，但此后又大幅增长。
-我的邮件列表只需 5 秒:https://seralouk.medium.com/subscribe
3.4。绘制趋势图、周图、季图、年图和日图
如果您想要查看预测组件，即趋势、每周、季节性、每年和每日组件**，那么您可以使用以下命令来完成。**
警告:以下命令需要一段时间来显示图形。
m.plot_components(prediction)
plt.show()
NeuralProphet 是新脸书的 Prophet 更新版本，允许用户使用简单但强大的深度学习模型，如 AR-Net 进行预测任务。NeuralProphet 的独特之处在于它能够在生成预测和拟合时将趋势、季节性和重复事件等附加信息纳入考虑。
要了解更多信息，请访问这个网站。
就这些了，伙计们！我希望你喜欢这篇文章！
** [## LSTM 时间序列预测:使用 LSTM 模型预测股票价格
towardsdatascience.com](https://towardsdatascience.com/lstm-time-series-forecasting-predicting-stock-prices-using-an-lstm-model-6223e9644a2f)
towardsdatascience.com](https://towardsdatascience.com/time-series-forecasting-predicting-stock-prices-using-an-arima-model-2e3b3080bd70)
[1]https://Facebook . github . io/prophet/docs/quick _ start . html # python-API
https://en.wikipedia.org/wiki/Additive_model
如果你喜欢这篇文章并觉得它有用，请关注我，这样你就可以看到我所有的新帖子。
有问题吗？把它们作为评论贴出来，我会尽快回复。
- 领英:https://www.linkedin.com/in/serafeim-loukas/
- 推特:https://twitter.com/LoukasSerafeim
- 研究门:【https://www.researchgate.net/profile/Serafeim_Loukas
- 栈溢出:https://stackoverflow.com/users/5025009/seralouk
medium.com](https://medium.com/@seralouk/the-best-free-data-science-resources-free-books-online-courses-9c4a2df194e5) [## 用新冠肺炎假设的例子解释 ROC 曲线:二分类和多分类…
towardsdatascience.com](https://towardsdatascience.com/roc-curve-explained-using-a-covid-19-hypothetical-example-binary-multi-class-classification-bab188ea869c) [## 支持向量机(SVM)解释清楚:分类问题的 python 教程…
towardsdatascience.com](https://towardsdatascience.com/support-vector-machines-svm-clearly-explained-a-python-tutorial-for-classification-problems-29c539f3ad8) [## PCA 清楚地解释了——如何、何时、为什么使用它以及特性的重要性:Python 指南
towardsdatascience.com](https://towardsdatascience.com/pca-clearly-explained-how-when-why-to-use-it-and-feature-importance-a-guide-in-python-7c274582c37e) [## 关于 Python 中的最小-最大规范化，您需要知道的一切
towardsdatascience.com](https://towardsdatascience.com/everything-you-need-to-know-about-min-max-normalization-in-python-b79592732b79) [## Scikit-Learn 的标准定标器如何工作
towardsdatascience.com](https://towardsdatascience.com/how-and-why-to-standardize-your-data-996926c2c832)**