技术分析、交互式仪表盘构建与时间序列分析

### 技术分析、交互式仪表盘构建与时间序列分析 #### 技术分析与交互式仪表盘部署 在进行技术分析和构建交互式仪表盘时，Streamlit 平台操作十分直观。在部署 Web 应用到 Streamlit Cloud 的步骤 4 中，还可提供一些高级设置： - **Python 版本**：指定应用要使用的 Python 版本。 - **Secrets 字段**：可存储环境变量和机密信息，如 API 密钥。一般而言，将用户名、API 密钥等机密信息存储在公共 GitHub 仓库并非最佳实践。若应用从某些数据提供商或内部数据库获取数据，可在此字段安全存储凭证，这些凭证在运行时会被加密并安全地提供给应用。 除了部署到 Streamlit Cloud，还可将应用部署到 Heroku，它是一种平台即服务（PaaS）类型的平台，能让你完全在云端构建、运行和操作应用。 若应用中要使用多个库，创建包含这些库的需求文件的最简单方法是，在激活虚拟环境后运行以下命令： ```python pip freeze > requirements.txt ``` #### 时间序列分析与预测基础 时间序列在行业和研究中无处不在，如商业、科技、医疗、能源、金融等领域。在金融领域，时间维度是交易和许多金融/经济指标的固有属性。实际上，每个企业都会生成某种时间序列，如随时间收集的利润或其他关键绩效指标（KPI）。因此，后续介绍的技术可用于工作中遇到的任何时间序列分析任务。 时间序列建模或预测通常可从不同角度进行，最常用的是统计方法和机器学习方法。此外，在深度学习应用中也会涉及使用深度学习进行时间序列预测的示例。 过去，由于计算能力有限且时间序列数据不够精细，统计方法在该领域占主导地位。如今，基于机器学习的方法在生产环境中的时间序列模型方面逐渐领先。但这并不意味着经典统计方法不再重要，在训练数据较少的情况下（如 3 年的月度数据），统计方法仍能产生最先进的结果，因为机器学习模型可能无法从少量数据中学习到模式。而且，在一些时间序列预测竞赛中，统计方法也取得了不少胜利。 ### 时间序列建模基础 #### 时间序列分解 时间序列分解的目标之一是通过将序列分解为多个组件，加深对数据的理解，为建模复杂度和采用何种方法准确捕捉每个组件提供见解。 例如，对于有明显上升或下降趋势的时间序列，一方面可通过分解提取趋势组件并在建模前去除，使时间序列更平稳，之后再将趋势组件加回；另一方面，也可为算法提供足够数据或合适特征来直接建模趋势。 时间序列的组件可分为系统性和非系统性两类： - **系统性组件**：具有一致性，可描述和建模，包括： - **水平**：序列的均值。 - **趋势**：任意时刻连续时间点之间值的变化估计，与序列的斜率（上升/下降）相关，即时间序列在较长时期内的总体方向。 - **季节性**：由重复的短期周期（具有固定和已知周期）导致的均值偏差。 - **非系统性组件**：无法直接建模，即**噪声**，是去除其他组件后序列中的随机变化。 经典的时间序列分解通常使用加法模型和乘法模型： | 模型类型 | 模型形式 | 变化特点 | 趋势特点 | 季节性特点 | | --- | --- | --- | --- | --- | | 加法模型 | \(y(t) = level + trend + seasonality + noise\) | 随时间变化大小一致 | 线性（直线） | 周期频率（宽度）和振幅（高度）相同的线性季节性 | | 乘法模型 | \(y(t) = level \times trend \times seasonality \times noise\) | 随时间变化大小不一致，如指数变化 | 曲线、非线性 | 周期频率和振幅随时间增加或减少的非线性季节性 | 有时可能不想或因某些模型假设无法使用乘法模型，可通过对数变换将其转换为加法模型： \(\log(y(t)) = \log(level) + \log(trend) + \log(seasonality) + \log(noise)\) 下面以从 Nasdaq Data Link 下载的美国月度失业率数据为例，介绍时间序列分解的步骤： ```python # 1. 导入库并进行身份验证 import pandas as pd import nasdaqdatalink import seaborn as sns from statsmodels.tsa.seasonal import seasonal_decompose nasdaqdatalink.ApiConfig.api_key = "YOUR_KEY_HERE" # 2. 下载 2010 年至 2019 年的美国月度失业率数据 df = ( nasdaqdatalink.get(dataset="FRED/UNRATENSA", start_date="2010-01-01", end_date="2019-12-31") .rename(columns={"Value": "unemp_rate"}) ) # 3. 添加滚动均值和标准差 WINDOW_SIZE = 12 df["rolling_mean"] = df["unemp_rate"].rolling(window=WINDOW_SIZE).mean() df["rolling_std"] = df["unemp_rate"].rolling(window=WINDOW_SIZE).std() df.plot(title="Unemployment rate") # 4. 使用加法模型进行季节性分解 decomposition_results = seasonal_decompose(df["unemp_rate"], model="additive") ( decomposition_results .plot() .suptitle("Additive Decomposition") ) ``` 在上述代码中，下载数据后，使用 pandas DataFrame 的 `rolling` 方法计算滚动统计量，指定窗口大小为 12 个月。