使用facebook开源prophet模型预测上证指数etf股价

2024-08-31 07:28

本文主要是介绍使用facebook开源prophet模型预测上证指数etf股价,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

可以图个乐,没有那么准确,可能还需要更深入的研究分析

蓝线是预测的2024年的走势,绿线是实际走势,红线是历史和未来的分界线。结果上有蛮多差异的。

# 测试预测2024年   coded by luke 伊玛目的门徒
import akshare as ak
import numpy as np
import pandas as pd
import prophet
import matplotlib.pyplot as plt
import datetime
import matplotlib.dates as mdates
#显示100列
pd.set_option('display.max_columns', 100)today = datetime.date.today()
date_str = today.strftime("%Y%m%d")
print('今天是')
print(date_str)date_str2 = datetime.datetime.now().strftime("%Y-%m-%d %H_%M_%S")# 周期日
m_days = 25
print ('配置的跟踪日线为:'+str(m_days))# 获取数据
etf = '510210'  #上证指数date_str_test_end='20231231'data = ak.fund_etf_hist_em(symbol=etf, adjust="qfq", start_date="20200101", end_date=date_str_test_end).iloc[:, :6]data2 = ak.fund_etf_hist_em(symbol=etf, adjust="qfq", start_date="20200101", end_date=date_str).iloc[:, :6]
# 准备数据
data = data.rename(columns={'日期': 'ds','收盘':'y'})
data = data[['ds', 'y']]data2 = data2.rename(columns={'日期': 'ds','收盘':'y'})
data2 = data2[['ds', 'y']]# 创建并训练模型
model = prophet.Prophet()
model.fit(data)# 进行预测
future = model.make_future_dataframe(periods=365, freq='D')  # 预测未来
forecast = model.predict(future)# 可视化结果
fig = model.plot(forecast)
# 获取当前图的坐标轴对象
ax = plt.gca()data2['ds'] = pd.to_datetime(data2['ds'])  # 确保日期列是 datetime 格式
# 绘制实际数据data2的线ax.plot(data2['ds'], data2['y'], color='green', linestyle='-', linewidth=2, label='实际数据')# 将日期格式转换为 matplotlib 支持的格式
#ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
#ax.xaxis.set_major_locator(mdates.AutoDateLocator())# 添加红色竖线
ax.axvline(pd.to_datetime(date_str_test_end), color='red', linestyle='--', linewidth=2)# 显示图表
plt.show()

上图:

这篇关于使用facebook开源prophet模型预测上证指数etf股价的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1123265

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]