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。以下是相应的代码： ```python 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算法概述 NeuralProphet是对Prophet算法的扩展，它保留了Prophet算法性能良好、可解释性强和易于使用的优点，同时增加了一些新组件，提高了准确性和可扩展性。以下是NeuralProphet的主要新增特性： - **引入自回归项**：通过自回归网络（AR - Net）实现，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AR模型，它能在更大规模上运行。 - **使用PyTorch作为后端**：与Prophet算法使用的Stan不同，这使得训练速度更快，并带来其他好处。 - **滞后回归因子建模**：使用前馈神经网络对滞后回归因子（特征）进行建模。 - **支持自定义损失和指标**：算法可以使用自定义的损失函数和评估指标。 - **广泛使用正则化**：可以将正则化应用于模型的大多数组件，如趋势、季节性、节假日、AR项等，对于AR项，正则化可以让我们使用更多滞后值而不用担心训练时间的快速增加。 NeuralProphet支持以下几种AR项配置： | AR项配置 | 描述 | 优点 | 缺点 | | ---- | ---- | ---- | ---- | | 线性AR | 无偏置项或激活函数的单层神经网络，将特定滞后回归到特定预测步骤 | 易于解释 | 预测准确性可能较低 | | 深度AR | 使用具有指定数量隐藏层和ReLU激活函数的全连接神经网络对AR项进行建模 | 预测准确性较高 | 复杂度增加、训练时间长、可解释性降低 | | 稀疏AR | 结合高阶AR（包含更多先前时间步的值）和正则化项 | 可平衡复杂度和准确性 | - | NeuralProphet由以下组件构成： - 趋势 - 季节性 - 节假日和特殊事件 - 自回归 - 滞后回归：使用前馈神经网络对协变量的滞后值进行内部建模 - 未来回归：类似于事件/节假日，是我们已知未来值的回归因子的值 #### 3. 使用NeuralProphet对S&P 500每日价格时间序列进行拟合 以下是使用NeuralProphet对2010 - 2021年S&P 500每日价格时间序列进行拟合的详细步骤： ```mermaid graph LR A[导入库] --> B[下载数据并准备DataFrame] B --> C[创建训练/测试集] C --> D[训练默认模型并绘制评估指标] D --> E[计算预测并绘制拟合图] E --> F[添加AR组件] F --> G[添加AR - Net] G --> H[绘制模型组件和参数] ``` 1. **导入库** ```python import yfinance as yf import pandas as pd from neuralprophet import NeuralProphet from neuralprophet.utils import set_random_seed ``` 2. **下载S&P 500指数的历史价格并准备用于NeuralProphet建模的DataFrame** ```python df = yf.download("^GSPC", start="2010-01-01", end="2021-12-31") df = df[["Adj Close"]].reset_index(drop=False) df.columns = ["ds", "y"] ``` 3. **创建训练/测试集** ```python TEST_LENGTH = 60 df_train = df.iloc[:-TEST_LENGTH] df_test = df.iloc[-TEST_LENGTH:] ``` 4. **训练默认的Prophet模型并绘制评估指标** ```python set_random_seed(42) model = NeuralProphet(changepoints_range=0.95) metrics = model.fit(df_train, freq="B") ( metrics .drop(columns=["RegLoss"]) .plot(title="Evaluation ```