Python 株価を予想する。時系列予測ライブラリ「Prophet」

　Prophetは、Facebookが開発した時系列予測ライブラリです。この予測手法は、時系列データy(t)をトレンド(t)+季節性(t)+イベント(t)+誤差(t)の合成として分析して予測モデルを構築します。つまり、それらをハイパーパラメータとして予測モデルを調整できます。これがニューラルネットワーク（RNN）と比較して扱い易いところです。論文は次のリンク先のREAD THE PAPERから飛ぶことが出来ます。https://facebook.github.io/prophet/

　インストールは、Anaconda環境下で次のようにcondaで出来ます。

conda install -c conda-forge fbprophet

　本記事では、日経平均株価225の2017年12月から2020年12月までの3年間のデータを元に、下図のように2021年3月までの株価を予測する雛形コードを載せました。2月くらいまでは上昇あるいは横ばいで、3月には下落する予想です。ハイパーパラメータの調整によって予測結果は異なります。

　株価データは、下図のようなcsvファイルを用います。例えば次の記事のようにヤフーファイナンスから取得できます。Python 株価データの欠損値をその前後の値で補完後、単純移動平均を算出する「pandas」 - PythonとVBAで世の中を便利にする

Prophetでは、下図のように一行でトレンドを可視化出来るなど操作が容易です。

■本プログラム
使用環境はAnaconda PromptのようなCUIで実行できます。JupyterLabがおススメではあります。

#!/usr/bin/env python
# coding: utf-8

# In[1]:


# csvファイルを読み込む
import pandas as pd
from fbprophet import Prophet
df = pd.read_csv('N225_2017-12_2020_12.csv')
print(df)


# In[2]:


# 列名を日時はds、目的変数をyに変更する。Prophetの仕様のため。
new_df = df.rename(columns={'Date': 'ds', 'Adj Close': 'y'})
print(new_df)


# In[3]:


# 予測したい数
predict_num = 15
# 訓練データの作成する。全データから予測したい数を引いた数
cnt = len(new_df) - predict_num
train_df = new_df[:cnt]
print(train_df)


# In[4]:


# モデルの作成
model = Prophet(
    growth='linear', # 傾向変動の関数．非線形は'logistic'
    yearly_seasonality = True, # 年次の季節変動を考慮有無
    weekly_seasonality = False, # 週次の季節変動を考慮有無
    daily_seasonality = False, # 日次の季節変動を考慮有無
    changepoints = None, #  傾向変化点のリスト
    changepoint_range = 0.85, # 傾向変化点の候補の幅で先頭からの割合。
    changepoint_prior_scale = 0.5, # 傾向変化点の事前分布のスケール値。パラメータの柔軟性
    n_changepoints = 5, # 傾向変化点の数
) 
model.fit(train_df)


# In[5]:


# 学習データに予測したい期間を追加する
future = model.make_future_dataframe(periods = predict_num) #,freq='M')
print(future)


# In[6]:


# 予測する
forecast = model.predict(future)
print(forecast)


# In[7]:


# 可視化する
import matplotlib.pyplot as plt
from fbprophet.plot import add_changepoints_to_plot
forecast['cap'] = 23000
#forecast['floor'] = 21000
fig1 = model.plot(forecast)
a = add_changepoints_to_plot(fig1.gca(), model, forecast)
plt.show()


# In[8]:


# 規則性を可視化
fig2 = model.plot_components(forecast)
plt.show()


# In[9]:


import seaborn as sns

# 変化率を追記
df3 = train_df.loc[model.changepoints.index]
df3['delta'] = model.params['delta'].ravel()

# 変化点を取得
df3['ds'] = df3['ds'].astype(str)
df3['delta'] = df3['delta'].round(3)
df4 = df3[df3['delta'] != 0]
print(df4)


# In[10]:


# 変化点をグラフ化
import matplotlib.pyplot as plt
ax = sns.factorplot(x = 'ds', y = 'delta', data = df4, color='magenta')
ax.set_xticklabels(rotation=90)
plt.grid()
plt.show()
# 変化点をリストで抽出
ds_list = df4['ds'].tolist()
print(ds_list)


# In[11]:


# 変化点を指定してモデルの作成
model2 = Prophet(
    growth='linear', # 傾向変動の関数．非線形は'logistic'
    yearly_seasonality = True, # 年次の季節変動を考慮有無
    weekly_seasonality = False, # 週次の季節変動を考慮有無
    daily_seasonality = False, # 日次の季節変動を考慮有無
    changepoints = ds_list, #  傾向変化点のリスト
    #changepoint_range = 0.85, # 傾向変化点の候補の幅で先頭からの割合。
    #changepoint_prior_scale = 0.5, # 傾向変化点の事前分布のスケール値。パラメータの柔軟性
    #n_changepoints = 5, # 傾向変化点の数
) 
model2.fit(train_df)


# In[12]:


# 学習データに予測したい期間を追加する
future2 = model2.make_future_dataframe(periods = predict_num) #,freq='M')
print(future2)


# In[13]:


# 予測2
forecast2 = model2.predict(future2)
print(forecast2)


# In[14]:


# 可視化
forecast2['cap'] = 23000
#forecast['floor'] = 21000
fig2_1 = model2.plot(forecast2)
b = add_changepoints_to_plot(fig2_1.gca(), model2, forecast)
plt.show()


# In[15]:


# 規則性を可視化
fig2_2 = model2.plot_components(forecast2)
plt.show()


# In[16]:


# モデルを保存する
import json
from fbprophet.serialize import model_to_json, model_from_json
with open('serialized_model.json', 'w') as fout:
    json.dump(model_to_json(model2), fout)


# In[17]:


# モデルをロードする
import json
from fbprophet.serialize import model_to_json, model_from_json
with open('serialized_model.json', 'r') as fin:
    model3 = model_from_json(json.load(fin))


# In[18]:


# (更に先の2021年3月頃の)未来を予測する
import fbprophet.plot as fp
future3 = model3.make_future_dataframe(periods=120)
forecast3 = model3.predict(future3)
fig3 = model3.plot(forecast3)
fp.add_changepoints_to_plot(fig3.gca(), model3, forecast3);
plt.show()


# In[ ]:

（参考）再帰型ニューラルネットワーク（RNN）による株価予想は次のリンク参照

hk29.hatenablog.jp

以上

<広告>

リンク