Python 股票價格預測（以中興通訊為例）

程式碼塊

程式碼塊語法遵循標準markdown程式碼，例如：

import pandas as pd
import tushare as ts


begin_time = '2018-06-08'
end_time = '2018-09-08'
code = "000063"
df = ts.get_hist_data(code, start=begin_time, end=end_time)
df.to_excel('/Users/wangwang/Desktop/tusharetest.xlsx')

import pandas as pd


#引數初始化
 

discfile = '/Users/wangwang/Desktop/tusharetest.xlsx'
forecastnum = 5

#讀取資料，指定日期列為指標，Pandas自動將“日期”列識別為Datetime格式
data = pd.read_excel(discfile, index_col ='date',data='close')

#時序圖
import matplotlib.pyplot as plt

#用來正常顯示負號

plt.rcParams['axes.unicode_minus'] = False
data.plot()
plt.show()

#自相關圖
from
 
 statsmodels.graphics.tsaplots import plot_acf
plot_acf(data).show()

#平穩性檢測
from statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF檢驗結果為：', ADF(data['close']))

#由於返回結果p值顯著大於0.05，我們對序列進行差分操作。通過實驗發現兩次差分後序列基本平穩，可以運用ARIMA模型進行分析。

#差分後的結果
D_data = data.diff(2).dropna()
D_data.columns = ['close difference'
 
]
D_data.plot()
plt.show()
print(u'差分序列的ADF檢驗結果為：', ADF(D_data['close difference']))

#白噪聲檢驗結果
from statsmodels.stats.diagnostic import acorr_ljungbox
print(u'差分序列的白噪聲檢驗結果為：', acorr_ljungbox(D_data, lags=1))

from statsmodels.tsa.arima_model import ARIMA
#定階
#一般階數不超過length/10
pmax = int(len(D_data)/10)
#一般階數不超過length/10
qmax = int(len(D_data)/10)

#bic矩陣
bic_matrix = []
for p in range(pmax+1):
  tmp = []
  for q in range(qmax+1):

#存在部分報錯，所以用try來跳過報錯。

    try:
      tmp.append(ARIMA(data, (p,1,q)).fit().bic)
    except:
      tmp.append(None)
  bic_matrix.append(tmp)

#從中可以找出最小值
bic_matrix = pd.DataFrame(bic_matrix)

#先用stack展平，然後用idxmin找出最小值位置。
p,q = bic_matrix.stack().idxmin()

#print(u'BIC最小的p值和q值為：%s、%s' %(p,q))
#建立ARIMA(0, 1, 1)模型

model = ARIMA(data, (p,1,q)).fit()
forecast=model.forecast(5)
print(forecast[0])