В этой статье обсуждается использование ARIMA и преобразований Фурье в качестве характеристик модели глубокого обучения для эффективного прогнозирования финансовых результатов.
При анализе данных временных рядов ARIMA также называется AutoRegressive Integrated Moving Average. Преобразования Фурье, с другой стороны, используют математический подход для разбиения данных временных рядов на составные компоненты путем изучения прошлой производительности. В результате выявляются разнообразные частоты. Мы можем получить существенное конкурентное преимущество в постоянно развивающемся финансовом мире, умело интегрируя ARIMA и преобразования Фурье с известными техническими индикаторами.
Примечание. Согласно правилам среды, мне нужно указать, что эта статья не создана искусственным интеллектом. Это написал человек. 100% этого. Вы можете проверить это здесь.
Подготовка данных является неотъемлемой частью процесса, который включает в себя организацию, изменение и подготовку информации для анализа и использования. Чтобы обеспечить качество данных и сделать их более совместимыми с желаемыми целями, необходимо упорядочить, преобразовать и очистить их. Для достижения точного и эффективного анализа решающую роль играет подготовка данных, поскольку она помогает устранить несоответствия, ошибки и избыточность, а также позволяет более упорядоченно и всесторонне изучить имеющиеся в настоящее время данные.
Первоначально необходимо получить финансовую информацию, необходимую для нашей всесторонней оценки. Например, цены на акции Goldman Sachs можно узнать, загрузив библиотеку yfinance.
import yfinance as yf # Download data gs = yf.download("GS", start="2011-01-01", end="2023-03-01")
После загрузки данных они должны пройти предварительную обработку для обеспечения их качества и организации. После тщательной очистки и структурирования данных останутся только столбцы с датой и ценой закрытия.
import pandas as pd # Preprocess data dataset_ex_df = gs.copy() dataset_ex_df = dataset_ex_df.reset_index() dataset_ex_df['Date'] = pd.to_datetime(dataset_ex_df['Date']) dataset_ex_df.set_index('Date', inplace=True) dataset_ex_df = dataset_ex_df['Close'].to_frame()
Как только мы завершим процесс сбора данных, мы можем начать интегрировать ARIMA и преобразования Фурье в нашу модель прогнозирования.