ARIMA
全稱為自回歸積分滑動平均模型(Autoregressive Integrated Moving Average Model,簡記ARIMA)。核心函數(shù)是ARIMA（p,，d,，q）稱為差分自回歸移動平均模型，AR是自回歸,， p為自回歸項,； MA為移動平均，q為移動平均項數(shù),，d為時間序列成為平穩(wěn)時所做的差分次數(shù),。所謂ARIMA模型，是指將非平穩(wěn)時間序列轉化為平穩(wěn)時間序列,，然后將因變量僅對它的滯后值以及隨機誤差項的現(xiàn)值和滯后值進行回歸所建立的模型,。
核心
整個算法的核心，就是ARIMA中d差分將時序差分成平穩(wěn)時序或是趨于平穩(wěn)時序,，然后基于PACF設置p自回歸項,，基于ACF設置q移動平均項數(shù)。
但因為包是基于statsmodels的,，而其中的ARIMA（p,，d，q）,，d不能>2,，因此選用ARIMA（p，q）函數(shù),，d則使用pandas.diff()來實現(xiàn),。
步驟
本系統(tǒng)使用yahoo_finance,，pandas，numpy,，matplotlib,，statsmodels，scipy,，pywt這些包
1.從yahoo_finance包中獲取股票信息,，使用panda存儲及處理數(shù)據(jù)，只提取其中Close屬性,，按照時間排序為時間序列,。
2.對Close時序進行小波分解處理，選用DB4進行小波分解,，消除噪音,。
3.進行差分運算，使用panda包的diff()方法,，并使用ADF檢驗進行平穩(wěn)性檢驗,，保證時間序列是平穩(wěn)或趨于平穩(wěn)的。
4.輸出ACF,，PACF圖,，確定p，q的值,。
5.運用ARIMA模型對平穩(wěn)序列進行預測,，ARIMA(p,q)。
6.還原差分運算,，得到股票預測時序,。
輸出圖
本圖順序與步驟順序無關，僅僅是作為一種直觀的展示： 
總結
ARIMA是一種處理時序的方法模型,，可以作用于股票預測,，但是效果只能說是一般，因為股市預測有一定的時序關系,，卻又不完全是基于時序關系,，還有社會關系，公司運營,，新聞,，政策等影響，而且ARIMA使用的數(shù)據(jù)量僅僅只有一階的Close屬性,。因此本模型可以作用在平穩(wěn)發(fā)展，沒有什么負面新聞和政策干擾的公司（不懂經(jīng)濟學,，不知道對不對= =）,。
Github
https://github.com/jerry81333/StockProdiction/
|
