FB数据科学团队看到了数据时代的即将到来。他们创造了 Prophet 来预测数据。虽然它的用途不仅限于股票，但对于任何试图了解数字和走势的人来说，它都是一个方便的工具。根据他们的说法，先知的使命是：
使专家和非专家更容易做出满足需求的高质量预测
先知闪耀的地方
并非所有决定性问题都可以通过类似的技术来解决。 Prophet 针对我们在 Facebook 经历过的业务评估任务进行了改进，这些任务通常具有任何附带属性：
- 每小时、每天或一周又一周的感知，大约有几个月（最好是较长一段时间）的历史
- 可靠的不同“人性化”季节性：星期几和季节
- 提前知道的、偶尔发生的重大事件（例如超级碗）
- 大量缺失的感知或巨大的异常
- 记录的模式更改，例如由于项目调度或日志记录更改
- 非直接发展弯曲的模式，其中模式达到特征截止点或沉浸
先知如何运作
Prophet 方法的核心是一个添加物质复发模型，包含四个主要部分：
- 分段直接或计算的展开弯曲模式。因此，先知通过从信息中选择变化点来区分模式的变化。
- 每年偶尔使用傅里叶级数显示的部分。
- 每周偶尔会使用虚假因素。
- 一位客户列出了重要事件的概要。
y(t) = g(t) + s(t) + h(t) + ϵ
- G(t) 模拟了一种模式，它描绘了信息中的长期增量或递减。 Prophet 根据预期问题的类型结合了两种模式模型：沉浸式开发模型和分段直接模型。
- s(t) 使用傅立叶级数对不规则性进行建模，该级数描述了信息如何受到季节等偶然因素的影响（例如，在一年中较冷的时间里，更多地寻找蛋酒）
- h(t) 对影响业务时间序列 ϵ 的事件或重大事件的影响进行建模。解决最后一个错误术语
设置
首先导入所有必需的库。如果您尚未安装 Prophet，您可以使用 pip 轻松安装。
pip 安装 fbprophet
如果您在使用 Jupiter 时遇到以下错误
使用命令
conda install -c conda-forge fbprophet
导入json
导入日期时间将numpy导入为np
从 fbprophet 导入 Prophet
将熊猫作为pd导入
进口要求
导入导入_ipynb
导入 pre 作为预处理
将matplotlib.pyplot导入为plt从 fbprophet.plot 导入plot_cross_validation_metric
导入数学
端点='https://min-api.cryptocompare.com/data/histoday'
res = requests.get(端点 + '?fsym=USDT&tsym=CAD&limit=500')hist = pd.DataFrame(json.loads(res.content)['Data'])
hist = hist.set_index('时间')
hist.index = pd.to_datetime(hist.index, 单位='s')target_col = '关闭'组织头(5)
hist['y']=(hist['high']+hist['low'])/2
hist['ds']=hist.index模型=先知()
模型.fit(hist);未来 = model.make_future_dataframe(周期=30)
#预测从现在开始的一年。预测 = model.predict(future)图=model.plot(预测)
图2 = model.plot_components(预测)
这里的趋势代表了股票的整体趋势。 Weekly 以周的方式表示循环性质，yearly 告诉我们一年的循环性质。 Fig2 用于将输出分解为其核心组件。
而已！
使用这个技巧来预测并赚取利润。
觉得这篇文章有用吗？ 跟着我 （拉胡拉·拉吉（Rahula Raj））在 Medium 上查看我下面最受欢迎的文章！请👏这篇文章分享吧！
_________________________________********_____________________________
开放合作
请通过 rahular2020@iimbg.ac.in 与我联系。
_________________________________********_____________________________
