【python量化】将Facebook的Prophet算法用于股票价格预测

原创敲代码的quant 人工智能量化实验室

写在前面

前面介绍了来自Facebook团队研制的开源时间序列预测算法。下面我们将先介绍如何安装该算法库，以及该算法的基本用法，最后将其应用于股票价格的预测当中。完整代码和数据可在文末进行获取。

Prophet库算法安装

前面介绍了Facebook开源的Prophet算法的基本原理：解读：一种来自Facebook团队的大规模时间序列预测算法（附github链接）。下面我们将介绍如何对该算法进行使用，Prophet算法目前提供了Python和R版本的实现，我们将以Python的使用为例。

首先，我们需要先安装Prophet库，相比于Prophet库的使用，安装它实际上是最为复杂和坑最多的事情。

先看Prophet的官方安装说明：

The default dependency that Prophet has is pystan. PyStan has its own installation instructions. Install pystan with pip before using pip to install fbprophet.

它提到了Prophet是依赖pystan库的，而且想直接通过pip fbprophet来一并安装它们所有是不行的，需要先安装pystan，并安装其所需要C++编译器、依赖库等，最后在对fbprophet进行安装。

下面我将在Windows下通过Anaconda来对其进行安装。由于Prophet库的使用对环境和依赖条件是极为苛刻的，所以最好在一个纯净的环境下进行安装，首先先创建一个Python虚拟环境（Python 3.6），然后在这个空间下进行安装。

conda create -n prophet python=3.6activate prophet

接着，因为安装pystan和fbprophet时需要通过conda-forge进行安装，所以我们先将conda-forge添加到镜像源中。

conda config --add channels conda-forge

前面提到了需要pystan库，所以在这个虚拟环境下需要先安装pystan。而安装pystan时需要用到C++编译器，由于Windows下其依赖的Microsoft Visual C++ 14.0资源不太好找，并且官方提供的VC++的地址已经404了。所以这里通过conda install 的方式来安装pystan，它会默认安装将MinGW-w64进行一并安装。MinGW-w64实际上是将Linux下的开源C语言编译器GCC移植到了 Windows 平台下，也即MinGW 就是 GCC 的 Windows 版本。在安装pystan需要在网络通畅的环境下安装，否则会出现安装中断等问题。

conda install pystan -c conda-forge

安装完成pystan之后，再安装fbprophet库：

conda install fbprophet -c conda-forge

如果完成安装fbprophet库之后进行导入没有问题的话，那么就恭喜你完成了fbprophet库的安装。

Prophet用于股价预测

接下来，我们以上证指数的收盘价的预测为例来介绍如何使用Prophet算法。数据可在文末同代码一起获取，或者同样的道理，我们也可以用别的数据进行替代。

首先，我们需要导入相关库：

from fbprophet import Prophetimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd

然后读取数据并进行数据预处理以及训练集和测试集的划分。其中，需要注意的是，Prophet模型对于数据格式有一定的要求，其中日期字段需要是datetime格式，这里通过pd.to_datetime()进行转换。另外，日期字段和预测值的字段名称必须分别为ds和y，这里通过df.rename()来实现。由于数据是2006年到2017年的日线数据，所以这里以前10年作为训练数据，后面的1年作为测试数据。

# 读取数据和数据预处理df = pd.read_csv('./000001_Daily_2006_2017.csv')df = df[['date', 'Close']]df['date'] = pd.to_datetime(df['date'])df['Close'] = np.log(df['Close'])df = df.rename(columns = {'date':'ds', 'Close':'y'})# 训练集和测试集划分df_train = df[:2699]df_test = df[2699:]print(df_train)

DataFrame数据的形式如下所示：

             ds         y0    2005-11-25  7.0165341    2005-11-28  7.0128562    2005-11-29  7.0003223    2005-11-30  7.0023934    2005-12-01  7.001926...         ...       ...

接下来通过实例化Prophet对象，并通过fit来训练模型。其中make_future_dataframe()的作用是告诉模型我们要预测多长时间，以及时间的周期是什么，这里设置为预测一年时间的数据。

# m模型构建model = Prophet()model.fit(df_train)# 模型预测future = model.make_future_dataframe(periods=365, freq='D')forecast = model.predict(future)print(forecast)print(forecast.columns.values)

经过很短时间的拟合就可以得到预测结果，其中预测结果DataFrame的形式如下，预测结果直接在原DataFrame基础上进行了拓展:

             ds     trend  ...  multiplicative_terms_upper      yhat0    2005-11-25  7.001825  ...                         0.0  6.9744961    2005-11-28  7.006577  ...                         0.0  6.9824332    2005-11-29  7.008161  ...                         0.0  6.9839823    2005-11-30  7.009744  ...                         0.0  6.9872294    2005-12-01  7.011328  ...                         0.0  6.988442...         ...       ...  ...                         ...       ...3059 2017-12-26  8.046088  ...                         0.0  8.0430733060 2017-12-27  8.046047  ...                         0.0  8.0453743061 2017-12-28  8.046006  ...                         0.0  8.0456613062 2017-12-29  8.045966  ...                         0.0  8.0470423063 2017-12-30  8.045925  ...                         0.0  8.046149

其中得到的DataFrame中包含了很多预测结果的信息，其中yhat表示预测的结果，xxx_lower（xxx_upper）表示xxx成分中的预测下限（上限）。

['ds' 'trend' 'yhat_lower' 'yhat_upper' 'trend_lower' 'trend_upper' 'additive_terms' 'additive_terms_lower' 'additive_terms_upper' 'weekly' 'weekly_lower' 'weekly_upper' 'yearly' 'yearly_lower' 'yearly_upper' 'multiplicative_terms' 'multiplicative_terms_lower' 'multiplicative_terms_upper' 'yhat']

通过model.plot()可以实现对数据进行可视化操作，效果下图所示，其中黑点表示真实数据，蓝线表示预测结果，蓝色区域表示一定置信程度下的预测上限和下限。其中，可以看到模型对在样本内数据的拟合程度还是不错的。

# 可视化model.plot(forecast)plt.show()

通过plot_componets()可以实现对数据的年、月、周不同时间周期下趋势性的可视化。

model.plot_components(forecast)plt.show()

最后，我们再对测试集的数据进行测试。由于预测的数据长度不一致，所以通过join()对两个DataFrame合并后去除空值，然后对真实值和预测值进行可视化，并从直观的角度来判断其预测的效果。

# 测试df_test = df_test.set_index('ds')forecast = forecast[['ds','yhat']].set_index('ds')df_test['y'] = np.exp(df_test['y'])forecast['yhat'] = np.exp(forecast['yhat'])df_all = forecast.join(df_test).dropna()df_all.plot()plt.legend(['true', 'yhat'])plt.show()

从可视化的结果中可以看出，虽然一开始拟合的趋势与真实趋势相近，但是模型后面的预测的结果与真实值之间存在明显的偏差，尤其是4月份后面的数据预测和真实值之间的趋势性恰恰相反。另外，Prophet模型对于价格的波动性拟合效果明显不佳，但是或许可以将其作为短期趋势预测的辅助。

结论

从实验结果以及前面对论文的解读中可以看出，Prophet比较适合具有周期性和趋势性数据的分析之中。在将其用于股票价格预测中时，面对多变的市场因素，Prophet模型很难准确模拟出股票价格的趋势。这一点或许可以通过提取更有效的特征或者挖掘其他alpha信息并缩短预测时长来弥补，或者将其用于短期趋势行情的预测中。但是就目前来看Prophet对于股价预测是很不现实的。但是作为研究来考虑，大家同样也可以将其应用于自己的数据中进行实验，看看是否能成功拟合时间序列数据中的趋势和周期性特征。

关注《人工智能量化实验室》公众号，后台发送018可获取原代码和数据。

了解更多人工智能与
量化金融知识

<-请扫码关注

让我知道你在看

继续滑动看下一个