41、金融领域的深度学习应用：NeuralProphet实战

金融领域的深度学习应用：NeuralProphet实战

1. 相关性分布可视化

为了更好地理解相关性的分布，我们可以绘制其直方图：

plt.hist(corr_matrix[corr_matrix < 1].numpy())

执行上述代码片段会生成一个展示提取的相关性分布的直方图。需要注意的是，由于我们是基于相关矩阵创建的直方图，实际上每个值都被计算了两次。

2. NeuralProphet简介

在时间序列预测中，我们之前了解过Prophet算法。而NeuralProphet是对Prophet算法的扩展，它保留了Prophet的优点，如良好的性能、可解释性和易用性，同时增加了新的组件，提高了预测的准确性和可扩展性。

2.1 Prophet算法的不足

原始的Prophet算法存在一些局限性，例如其基于广义线性模型的刚性参数结构，以及它更像是一个“曲线拟合器”，对局部模式的适应性不足。

2.2 NeuralProphet的改进

• 引入自回归项 ：通过自回归网络（AR - Net）将自回归项引入到Prophet的规范中。AR - Net是一个经过训练以模拟时间序列信号中自回归过程的神经网络，相比传统的AR模型，它能在更大的规模上运行。
• 使用PyTorch作为后端 ：与Prophet算法使用的Stan不同，NeuralProphet使用PyTorch，这使得训练速