728x90
반응형

시계열 분석 주식 데이터_주가 예측

https://mzero.tistory.com/146 에 이어서

 

[시계열 분석] 주가예측 / 시계열 데이터 분석 / ARIMA 모델

시계열 분석 주식 데이터_주가 예측 ''' 기본 라이브러리 ''' import datetime import matplotlib.pyplot as plt import platform from matplotlib import font_manager, rc ''' 마이너스 기호 및 한글 설정 ''' ### 마이너스 기호 사

mzero.tistory.com

 

Best Model을 이용해서 잔차 확인

📍 잔차 : 실제값과 예측값과의 차이
📍 잔차 검정 : 정상성, 정규성 등을 만족하는지 확인하는 검정
📍 검정하는 함수 : summary(), plot_diagnostics()
  • summary()

 

확인해야할 사항

Heteroskedasticity (H) : 값이 작을수록 정규분표

P>|z| : p-value 값으로 유의미한지, 아닌지 판단

 

 

 

 

 

 

 

 

 

 

  • plot_diagnostics()
     
    model.plot_diagnostics(figsize=(16, 8))
plt.show()

 

3번 그래프 : 빨간색 추세선과 비슷하게 흘러가는 것이 좋음

4번 그래프 : 0을 기점으로 모두 포함 되어 있어서 정상성을 띔, 차수의 첫번 째는 계산이 안되기 때문에 0은 빠짐

 

정상성을 띄지만, 정규분포는 낮다

 

 

 

ARIMA 모델 훈련 및 테스트하기

  • 훈련 및 테스트 데이터 = 9 : 1 로 분리
    - 시계열 데이터는 train_test_split()함수를 사용하지 않는다.
    -연속성을 띄는 데이터의 특성상, 데이터를 앞/뒤의 비율로 분리한다.
    train_data = data[:int(len(data) * 0.9)]
test_data = data[int(len(data) * 0.9):]

train_data.shape, test_data.shape​


  • auto_arima : 모델 설정 및 Best Model 추출
    - auto_arima는 훈련과 동시에 베스트 모델을 생성해 준다.
    model_fit = pm.auto_arima(
    y=train_data,
    d=n_diffs,
    start_p=0, max_p=3,
    start_q=0, max_q=3,
    m=1, seasonal=False,
    stepwise=True,
    trace=True
)​


Best Model을 이용하여 예측(Predict)하기

📍 시계열에서 예측 용어 : forecast라고 칭한다.
📍 예측 결과 : 예측데이터, 상한가(상한 바운드), 하한가(하한 바운드)
📍 결과 시각화 : 기존값과 예측값이 연결된 시각화
📍 수행방법 : forecast 함수 생성 후 predict 수행 > 예측결과 반환

 

  • 함수 생성하기
     
    import numpy as np

"""향후 예측
 - model : Best Model
 - n : 예측하려는 향후 기간 (디폴트로 1을 지정했음)
"""
def forecast_n_step(model, n=1):
    ### 예측하기
    # - n_periods : 예측기간 (day일단위)
    # - return_conf_int : 신뢰구간 반환여부
    # - fc : 예측결과(y_pred)
    # - conf_int : 신뢰구간
    fc, conf_int = model.predict(n_periods=n, return_conf_int=True)
    
    # print(fc, conf_int)
    ### 반환값은 리스트형태로 변환해서 전달
    return (
        fc.tolist()[0:n],
        # asarray : 배열로 바꾸는 함수 / tolist : 리스트로 바꾸는 함수
        np.asarray(conf_int).tolist()[0:n]
    )

    """함수 생성하기"""
import pandas as pd

def forecast(len, model, index, data=None) :
    ### 결과값을 담아서 반환할 변수
    y_pred = []
    pred_upper = []
    pred_lower = []

    ###데이터(data)가 있는 경우
    if data is not None :
        for new_data in data :
            ### 예측하기 : 반복수행을 위해 함수로 생성
            fc, conf = forecast_n_step(model)

            ### 예측결과 리스트에 담기
            y_pred.append(fc[0])

            ### 상한가
            pred_upper.append(conf[0][1])

            ### 하한가
            pred_lower.append(conf[0][0])

            ### 시계열에서는 데이터별로 Model을 갱신함
            model.update(new_data)
            
    
    ###데이터(data)가 없는 경우
    else : 
        for i in range(len):
            fc, conf = forecast_n_step(model)
            
            ### 예측결과 리스트에 담기
            y_pred.append(fc[0])

            ### 상한가
            pred_upper.append(conf[0][1])

            ### 하한가
            pred_lower.append(conf[0][0])

            ### 시계열에서는 데이터별로 Model을 갱신함
            model.update(fc[0])
        

    ### 결과값에 대해서는 시리즈 타입으로
    return pd.Series(y_pred, index=index), pred_upper, pred_lower
    # return "", "", ""
  • 함수 호출하기
     
    '''
함수 호출하기
 - fc : 예측결과
 - upper : 상한가
 - lower : 하한가
'''

fc, upper, lower = forecast(len(test_data), model_fit,
                           test_data.index, data=test_data)
fc, upper, lower


  • 상한가와 하한가의 리스트 타입 데이터를 날짜를 인덱스로 하는 시리즈 타입으로 변환하기
     - 추후 시각화 시 결과값의 인덱스와 매핑하여 그리기 위함
    lower_series = pd.Series(lower, index=test_data.index)
upper_series = pd.Series(upper, index=test_data.index)

lower_series, upper_series​


  • 전체 시각화
    - 훈련데이터 및 테스트데이터 시각화
    plt.figure(figsize=(20, 6))
plt.title("시계열 분석 결과 시각화")

### 훈련데이터 그리기
plt.plot(train_data, label="train_data")

### 테스트 데이터 그리기
plt.plot(test_data, label="test_data(예측 전 실제값)", c="b")

### 테스트데이터로 예측한 결과 그리기
plt.plot(fc, label="예측결과", c="r")

### 상한가(상한 바운드) 하한가(하한 바운드) 그리기
plt.fill_between(lower_series.index, lower_series,
                upper_series, alpha=.9, color="k")

plt.legend()
plt.show()​

모델 성능 평가

from sklearn.metrics import mean_absolute_error, mean_squared_error
import math
  • 평균제곱오차(MSE)
    mse =  mean_squared_error(np.exp(test_data), np.exp(fc))
mse​


  • 평균절대오차(MAE)
    mae =  mean_absolute_error(np.exp(test_data), np.exp(fc))
mae​


  • RMSE(Root Mean Squared Error)
    - 예측값과 실제값 간의 거리를 나타내는 지표
    - 값이 작을 수록 모델의 성능이 좋다고 해석 
    rmse = math.sqrt(mean_squared_error(np.exp(test_data), np.exp(fc)))
rmse​


  • MAPE(Mean Absolute Percentage Error)
    - 예측값과 실제값 간의 백분율 오차 평균
    mape = np.mean(np.abs(np.exp(fc) - np.exp(test_data)) / np.abs(np.exp(test_data)))
mape * 100​


한국 증권거래소(KRX)의 주식거래일을 기준으로 1년 후 예측하기

  • 사용 라이브러리 
     - 한국증권거래소(KRX)의 주식거래일자에 대한 데이터 수집을 위한 라이브러리
     - 설치 필요 : pip install exchange_calendars
    import exchange_calendars as ecals​
  • 주식 거래일자 수집하기
    ### 원본 인덱스의 마지막 인덱스 일자 이후부터 1년치에 대한 거래일자 수집
# 거래 시작일
start = "2022-11-01"
# 거래 종료일
end = "2023-10-31"

### 한국증권거래소(KRX) code 값 : XKRX
k = ecals.get_calendar("XKRX")
k​


  • 시작 및 종료 기간 동안의 거래일 정보 가지고 오기 
     
    df =pd.DataFrame(k.schedule.loc[start:end])
df



  • open 컬럼을 사용하기 위해 날짜 정보를 리스트에 추가하기
     
    date_list = []
for i in df["open"] :
    date_list.append(i.strftime("%Y-%m-%d"))
    # print(i.strftime("%Y-%m-%d"))

### DatetimeIndex 형태로 변환하기
date_index = pd.DatetimeIndex(date_list)
date_index


  • 1년 후 주가 예측하기
     
    fc2, upper2, lower2 =forecast(len(date_index), model_fit, date_index)
fc2


  • 상한가와 하한가의 리스트 타입 데이터를 날짜를 인덱스로 하는 시리즈 타입으로 변환하기
    - 추후 시각화 시 결과값의 인덱스와 매핑하여 그리기 위함
    lower2_series = pd.Series(lower2, index=date_index)
upper2_series = pd.Series(upper2, index=date_index)

lower2_series, upper2_series​
  • 훈련데이터 및 테스트데이터 시각화
     
    plt.figure(figsize=(20, 6))
plt.title("[1년 후] 시계열 분석 결과 시각화")

### 훈련데이터 그리기
plt.plot(train_data, label="train_data")

### 테스트 데이터 그리기
plt.plot(test_data, label="test_data(예측 전 실제값)", c="b")

### 테스트데이터로 예측한 결과 그리기
plt.plot(fc, label="예측결과", c="r")

### 1년 후 주가 예측 그리기
plt.plot(fc2, label="1년 후 예측결과", c="g")

### 테스트 데이터 예측 > 상한가(상한 바운드) 하한가(하한 바운드) 그리기
plt.fill_between(lower_series.index, lower_series,
                upper_series, alpha=.9, color="k")

### 1년 후 예측 > 상한가(상한 바운드) 하한가(하한 바운드) 그리기
plt.fill_between(lower2_series.index, lower2_series,
                upper2_series, alpha=.9, color="k")

plt.legend(loc="upper left")
plt.show()
728x90
반응형

'Digital Boot > 시계열 분석' 카테고리의 다른 글

[시계열 분석] 페이스북 시계열 분석 라이브러리 / Prophet  (0) 2024.01.16
[시계열 분석] 주가예측 / 시계열 데이터 분석 / ARIMA 모델 - (1)  (2) 2024.01.15
[시계열 분석] 시계열 데이터  (1) 2024.01.15

+ Recent posts

티스토리툴바