资金流入流出预测-时间序列

最新推荐文章于 2022-01-15 16:25:56 发布

原创

最新推荐文章于 2022-01-15 16:25:56 发布 · 1.2k 阅读

10 ·

CC 4.0 BY-SA版权

本文介绍了一种基于周期因子的时间序列预测方法，通过提取序列的周期性特征进行预测，适用于展示周期性变化的序列。文章详细阐述了计算周期因子的具体步骤，包括确定周期、计算因子、生成基线预测值等，并提供了以星期为周期的中位数预测实例。

1.基于周期因子的时间序列预测

提取时间序列的周期周期性特征进行预测
- 确定周期、计算周期因子
  方法1:除以周均值，按列取中位数
  方法2:季节指数计算方式，获得每个工作日或周末均值，再除以整体均值
- 计算base
- 预测=base*周期因子
  ** 观察序列，当序列呈现周期性变化的时候，可以使用周期因子法作为baseline **
如何预测下个月每天的情况
- 获得每日（1-31号）的均值
- 统计（周一到周日）每日的频次
- 基于星期周期因子获取加权均值
- 根据因子和每日均值预测

2.具体操作

1. 以星期为周期的中位数预测

选取时段
- 训练集时段：2014-03-01～2014-08-03
- 测试数据集：2014-08-04～2014-08-31
导入数据包

import pandas as pd
import numpy as np
import sklearn as skr
import datetime
import matplotlib as plt
import seaborn as sns
from dateutil import relativedelta

读取数据

def load_data(file_path):
    data_balance = pd.read_csv(file_path)
    data_balance = add_timestamp(data_balance,"report_date")
    return data_balance.reset_index(drop=True)
#给数据集添加时间戳
def add_timestamp(data,date):
    data_balance = data.copy()
    data_balance["date"] = pd.to_datetime(data_balance[date],format="%Y%m%d")
    data_balance["day"] = data_balance["date"].dt.day
    data_balance["month"]= data_balance["date"].dt.month
    data_balance["year"] = data_balance["date"].dt.year
    data_balance["week"] = data_balance["date"].dt.week
    data_balance["weekday"] = data_balance["date"].dt.weekday
    return data_balance.reset_index(drop=True)
#按照日期统计申购/赎回金额总量
def total_amt(data,date)