17、时间序列分析与机器学习在金融数据中的应用

时间序列分析与机器学习在金融数据中的应用

1. 发现时间序列中的趋势

时间序列数据通常会受到噪声和季节性的影响，使得图表看起来参差不齐。以苹果公司（AAPL）的收盘价数据为例，其原始数据的图表就比较杂乱。为了识别时间序列中的趋势，常用的方法是计算移动平均值。

以下是计算简单移动平均（SMA）并绘制趋势图的代码：

stock_data.sort_index(inplace=True)
plot_time_series(stock_data['close'].rolling('365D').mean(), 'AAPL Closing Trend')

需要注意的是，如果不先对索引进行排序，会出现 ValueError: index must be monotonic 错误。这里的滚动窗口定义为 365 天。

还可以将收盘价和成交量趋势组合在一个图表中，这有助于特征工程和深入了解数据行为。以下是实现代码：

def compose_trends(ts):
    from sklearn.preprocessing import MinMaxScaler
    scaler = MinMaxScaler()
    scaled_ts = pd.DataFrame(scaler.fit_transform(ts), columns=ts.columns, index=ts.index)
    return pd.concat([scaled_ts['clos