跑步進場
最近股市大漲，不少人忙著跑步進場。作為保守型“投資者”，主投指數基金：滬深300。在這波行情 中，短短2個月，也有13%的賬面收益。雖然知道指數類適合長期持有，但也好奇，這個點是否是高位了。為了解決這個疑慮。我們今天用演算法模型套一套，看能否發現些什麼。
時序預測的價值
時序問題的預測在生活中很常見。例如：遊戲線上人數預測、消費情況預測、 O2O 的到店人數預測、交通流量預測，這些場景的精確預測，為資源的調配起到了重大的參考作用。從個體角度來說，得到的服務和體驗也大大提升。
為此，Facebook 開源了一套工具 Prophet，專門用於時間學列預測。在這裡，我們將用它，來一探股市究竟。
時序預測的原理
對於時間序列問題，常用的手法是時間序列的分解：這裡有些類似於傅立葉變換的意味。將一個函式分解為多個規律函式的和積。時間序列的常見組成成分包括：季節項、趨勢項以及噪聲。在 Prophet 中，結合實際情況，他們又加入了節假日專案。之前在一次 kaggle 的比賽中，我們也發現節假日的資料波動，其實是類似於週末效應的。即：節假日的前後資料，類似於週六的前後資料。對資料進行修正後，評價指標會好很多。
廢話不多說，我們們開幹。
Prophet in 滬深300
工具包安裝
pip install fbprophet
資料準備與清洗
import pandas as pd
import numpy as np
from fbprophet import Prophet
複製程式碼資料準備
- 資料來源為網易財經，滬深三百指數。
data = pd.read_csv('../data/000300.csv',encoding='GB2312')
data.head()
複製程式碼資料清洗
- 選取需要的資料，並對資料做 log / box-cox 變換，使資料更符合線性、正態分佈，減少方差差異。經濟系統和生態系統類似，都存在指數級增長現象，也存在飽和現象。我們這裡採用 log 變換。
df = data[[u'日期',u'收盤價']]
df.columns = ['ds','y']
df['y'] = df['y'].apply(lambda x: np.log(int(x)))
複製程式碼模型擬合與預測
簡單定義，然後擬合。
m = Prophet()
m.fit(df)
複製程式碼預測未來一年的行情
future = m.make_future_dataframe(periods=365)
forecast = m.predict(future)
複製程式碼詳細看最後15天的資料
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(15)
future_predict['yhat'] = future_predict['yhat'].apply(lambda x:np.exp(x))
future_predict['yhat_lower'] = future_predict['yhat_lower'].apply(lambda x:np.exp(x))
future_predict['yhat_upper'] = future_predict['yhat_upper'].apply(lambda x:np.exp(x))
複製程式碼yhat 預測比較保守，20200307 相較於目前20190308 的大盤漲了100個點。預期最大收益：(6536-3658)/3658≈ 78%，預期最大虧損：(2158-3658)/3658≈-41%
模型看到了什麼
Prophet 有個功能是成分拆分，我們們來看看國內股市的趨勢以及季節性因素是什麼。
fig1 = m.plot(forecast)
複製程式碼模型擬合情況
趨勢項
總結
模型資料表明，滬深股市短期看可能有波動，長期看上揚可能性更大。短期對於我們這種投資方式的參考意義不大，長期來看，穩中向好，我也將持續滬深300。當然，話說回來，投資有風險，決策需謹慎。不要只看狼吃肉，不見狼捱打。去年最差的時候，本人累計虧損15%...
另外再強調一下，模型並非萬能。這裡使用的資訊單一，但真實世界，可是有多種資訊共同作用於市場。模型也還未經過充分調參，沒有劃分資料做驗證，實際使用價值有限。
對此，你怎麼看？請在留言區寫下你的看法。