目錄

一、前期準(zhǔn)備

二、數(shù)據(jù)來(lái)源與樣式

?三、數(shù)據(jù)的預(yù)處理

（一）表格處理

（二）數(shù)據(jù)導(dǎo)入

（三）數(shù)據(jù)處理

?四、模型構(gòu)建（指數(shù)平滑）

（一）數(shù)據(jù)作圖

（二）觀察季節(jié)性與趨勢(shì)

（三）一階指數(shù)平滑

（四）二階指數(shù)平滑

（五）三階指數(shù)平滑

（六）均方誤（MSE）比較

?（七）正態(tài)性檢驗(yàn)

五、數(shù)據(jù)預(yù)測(cè)

六、總結(jié)

七、完整代碼

一、前期準(zhǔn)備

本次模型的構(gòu)建與預(yù)測(cè)都是用的是python進(jìn)行，其中涉及多個(gè)庫(kù)：

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.api import qqplot
import warnings
import os
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.holtwinters import SimpleExpSmoothing,ExponentialSmoothing
from sklearn.metrics import mean_squared_error

以上各個(gè)庫(kù)的作用介紹不是本文主要內(nèi)容不過(guò)多解釋，請(qǐng)自行了解。

本次實(shí)踐通過(guò)三階指數(shù)平滑的方法對(duì)十列金融數(shù)據(jù)集進(jìn)行模型的擬合與預(yù)測(cè)。

二、數(shù)據(jù)來(lái)源與樣式

本次實(shí)驗(yàn)數(shù)據(jù)為十列金融數(shù)據(jù)集，該數(shù)據(jù)集為時(shí)間序列，且相互之間獨(dú)立，因此需要對(duì)十個(gè)時(shí)間序列分別進(jìn)行擬合與預(yù)測(cè)。

圖1 數(shù)據(jù)樣式

?三、數(shù)據(jù)的預(yù)處理

（一）表格處理

由于時(shí)間序列數(shù)據(jù)之間相互獨(dú)立，為了便于建模預(yù)測(cè)在導(dǎo)入之前我在excel表格上對(duì)數(shù)據(jù)進(jìn)行了簡(jiǎn)單的處理。

圖2 處理后表格

我將十個(gè)時(shí)間序列數(shù)據(jù)分別放入十個(gè)sheet里，并且以年份命名，以便于代碼導(dǎo)入數(shù)據(jù)。再者，由于原始時(shí)間序列數(shù)據(jù)沒(méi)有時(shí)間列，因此我按照個(gè)人理解添加了時(shí)間列，每一個(gè)數(shù)據(jù)都來(lái)自每月的一月一日，因此其周期可分為12、6、4、3等。

（二）數(shù)據(jù)導(dǎo)入

通過(guò)pandas的相關(guān)方法導(dǎo)入excel數(shù)據(jù)。設(shè)置好相關(guān)參數(shù)，這樣在pycharm里顯示數(shù)據(jù)時(shí)就不會(huì)出現(xiàn)過(guò)多數(shù)據(jù)而省略部分?jǐn)?shù)據(jù)的情況。

#處理warning
warnings.filterwarnings("ignore") #有時(shí)候代碼處于某些原因會(huì)飄紅卻不影響正常的運(yùn)行，為了美觀使用該代碼進(jìn)行忽視處理
#作圖顯示中文字符
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#展示所有列表文件
pd.set_option('display.max_columns',1000)
pd.set_option("display.width",1000)
pd.set_option('display.max_colwidth',1000)
pd.set_option('display.max_rows',1000)

datax=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=None)

在python中導(dǎo)入excel的方法在基礎(chǔ)操作篇有介紹，不再贅述，詳情可看本篇文章：

【Python處理EXCEL】基礎(chǔ)操作篇：在Python中導(dǎo)入EXCEL數(shù)據(jù)

（三）數(shù)據(jù)處理

為方便后續(xù)選擇數(shù)據(jù)以及代碼參數(shù)的調(diào)整，我將“日期”列設(shè)置為行索引，通過(guò)以下代碼實(shí)現(xiàn)。

#將excel中的“日期”一列設(shè)置為行索引
data=data.set_index('日期')
data.index=pd.to_datetime(data.index)

?四、模型構(gòu)建（指數(shù)平滑）

（一）數(shù)據(jù)作圖

在此以1964年金融數(shù)據(jù)集為例。首先導(dǎo)入數(shù)據(jù)并作出原始數(shù)據(jù)的折線圖。數(shù)據(jù)可視化的最基礎(chǔ)的知識(shí)可以看我先前寫(xiě)的文章：

【Python數(shù)據(jù)分析】實(shí)踐編寫(xiě)篇1：用Python程序完成描述性統(tǒng)計(jì)分析需求https://blog.csdn.net/Deng333333555/article/details/125697176?spm=1001.2014.3001.5501

該篇末尾對(duì)數(shù)據(jù)可視化作了簡(jiǎn)單的教學(xué)，但是只是冰山一角，想要深入學(xué)習(xí)數(shù)據(jù)可視化的朋友可以在網(wǎng)上查看其他的教程，也可以關(guān)注本人，后續(xù)會(huì)出使用的可視化教學(xué)篇。

#原始數(shù)據(jù)作圖
fig=plt.figure(figsize=(15,8))#作圖面積的大小
ax1=plt.subplot(1,1,1)#作圖的位置
plt.xticks(fontsize=20)#設(shè)置x軸刻度的字體大小
plt.yticks(fontsize=20)#設(shè)置y軸刻度的字體大小
plt.xlabel('日期',fontsize=35,color='blue')#設(shè)置x軸的標(biāo)簽，藍(lán)色部分字
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')#設(shè)置y軸的標(biāo)簽，藍(lán)色部分字
plt.title('原始數(shù)據(jù)1964',fontsize=35)#設(shè)置圖的標(biāo)題
x1=data.index #將先前設(shè)置的日期行索引設(shè)置為坐標(biāo)軸的橫軸
y=data.iloc[:,0] #利用提取excel列的方法，提取了金融數(shù)據(jù)集第一列的數(shù)據(jù)作為y軸
plt.plot(x1,y,linewidth=4.0,label='真實(shí)線',color='orange')#繪制坐標(biāo)及數(shù)據(jù)，并設(shè)置一些參數(shù)
plt.legend(fontsize=20)#設(shè)置圖例，即圖中左上角那個(gè)
plt.show()#繪圖

?圖3 1964年金融數(shù)據(jù)折線圖

由上圖可看到該年金融數(shù)據(jù)的基本趨勢(shì)。

（二）觀察季節(jié)性與趨勢(shì)

通過(guò)程序作出以下季節(jié)性及趨勢(shì)圖，我將周期設(shè)置為12，原因在開(kāi)篇提及，不再?gòu)?fù)述。

decomposition=seasonal_decompose(data.iloc[:,0],model='addictive',period=12)
decomposition.plot()
plt.show()

#關(guān)于seasonal_decompose()方法的參數(shù)
seasonal_decompose(x,model='additive',filt=None,period=None,two_sided=True,extrapolate_trend=0)

?（方法的介紹來(lái)源于網(wǎng)絡(luò)）

?圖4 季節(jié)性及趨勢(shì)圖

從趨勢(shì)圖中看到，自1965到1967年期間數(shù)據(jù)有較大幅度的上漲，波動(dòng)較大。而在1967到1971年間趨勢(shì)波動(dòng)小，變動(dòng)較為平。1971年至1972年又出現(xiàn)了較大的波動(dòng)。從季節(jié)性圖來(lái)看，數(shù)據(jù)的變化在12期的情況下出現(xiàn)了周期波動(dòng)的情況，說(shuō)明該金融數(shù)據(jù)存在季節(jié)性趨。殘差圖則說(shuō)明了數(shù)據(jù)中隨機(jī)誤差的產(chǎn)生是呈現(xiàn)正態(tài)分布的，并且期分布隨機(jī)、不可預(yù)測(cè)。因此以該數(shù)據(jù)來(lái)構(gòu)建預(yù)測(cè)模型是具有可行性的。

（三）一階指數(shù)平滑

以下是一階模型擬合數(shù)據(jù)的代碼：需要注意的是，擬合的時(shí)候需要在最后加上? .fittedvalues 。

datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues
print(datasmooth1)

?以下是一階平滑擬合的可視化代碼及圖：

plt.figure(figsize=(15,8))
plt.title('一階平滑1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth1.plot(color='green',linewidth=3.0,label='擬合線') #將一階平滑的結(jié)果畫(huà)折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實(shí)線')#將原始數(shù)據(jù)畫(huà)折線圖
plt.legend(fontsize=20)
plt.show()

?圖5 一階平滑結(jié)果可視化

由圖可以看出一階指數(shù)平滑下模型的擬合效果很差，沒(méi)有擬合出原始數(shù)據(jù)的波動(dòng)與趨勢(shì)，因此一階指數(shù)平滑不可用。

（四）二階指數(shù)平滑

以下是二階模型擬合數(shù)據(jù)的代碼：

datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues#添加trend效果
datasmooth2_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal=None).fit().fittedvalues#非添加trend效果
print(datasmooth2)
print(datasmooth2_2)

??以下是二階平滑擬合的可視化代碼及圖：

plt.figure(figsize=(15,8))
plt.title('二階平滑1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth2.plot(color='green',linewidth=3.0,label='line_add')#添加trend效果折線圖
datasmooth2_2.plot(color='red',linewidth=3.0,label='line_mul')#非添加trend效果折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')#真實(shí)線圖
plt.legend(fontsize=20)
plt.show()

?圖6 二階平滑結(jié)果可視化

由圖看出，二階平滑區(qū)分為真實(shí)線、加入趨勢(shì)效應(yīng)、未加入趨勢(shì)效應(yīng)三條線，其中加入趨勢(shì)效應(yīng)的曲線的擬合效果更加貼近真實(shí)線。但總的來(lái)看，二階指數(shù)平滑的擬合效果仍然很差，無(wú)法擬合出原始數(shù)據(jù)的波動(dòng)與趨勢(shì)。

（五）三階指數(shù)平滑

以下是三階模型擬合數(shù)據(jù)的代碼：

datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues#添加seasonal效果
datasmooth3_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal="mul", seasonal_periods=12).fit().fittedvalues#非添加seasonal效果
print(datasmooth3)
print(datasmooth3_2)

?以下是二階平滑擬合的可視化代碼及圖：

plt.figure(figsize=(15,8))
plt.title('三階平滑'+num,fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
datasmooth3.plot(color='green',linewidth=3.0,label='line_add')#添加seasonal效果折線圖
datasmooth3_2.plot(color='red',linewidth=3.0,label='line_mul')#非添加seasonal效果折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')#原始數(shù)據(jù)折線圖
plt.legend(fontsize=20)
plt.show()

?圖7 三階平滑結(jié)果可視化

由圖可以看出，三階指數(shù)平滑后的結(jié)果與原始數(shù)據(jù)更為貼近，反映出了原始數(shù)據(jù)的波動(dòng)及趨勢(shì)。圖中的三條線分別為原始數(shù)據(jù)線、加入季節(jié)效應(yīng)線、未加入季節(jié)效應(yīng)線，而加入了季節(jié)效應(yīng)的曲線效果與原始數(shù)據(jù)更加接近。綜合以上，三階指數(shù)平滑的效果相對(duì)一階指數(shù)平滑以及二階指數(shù)平滑的表現(xiàn)更良好。

（六）均方誤（MSE）比較

以上我做了三個(gè)模型，分別為一階指數(shù)平滑、二階指數(shù)平滑和三階指數(shù)平滑，為了從這三者之間選擇哪一個(gè)模型效果最優(yōu)，那么需要有一個(gè)標(biāo)準(zhǔn)來(lái)進(jìn)行比較，而通常會(huì)選擇比較三個(gè)模型的均方誤（MSE）來(lái)進(jìn)行選擇。代碼如下：

from sklearn.metrics import mean_squared_error
datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues#一階指數(shù)平滑擬合結(jié)果
datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues#二階指數(shù)平滑擬合結(jié)果
datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues#三階指數(shù)平滑擬合結(jié)果
mse_1 = mean_squared_error(datasmooth1,data.iloc[:,0])#一階指數(shù)平滑的均方誤
mse_2 = mean_squared_error(datasmooth2,data.iloc[:,0])#二階指數(shù)平滑的均方誤
mse_3 = mean_squared_error(datasmooth3,data.iloc[:,0])#三階指數(shù)平滑的均方誤
print(mse_1)
print(mse_2)
print(mse_3)

由上表可知，三界指數(shù)平滑的均方誤是最小的，且都遠(yuǎn)小于一階與二階情況下的均方誤，說(shuō)明三界指數(shù)平滑的擬合效果要優(yōu)于一階指數(shù)平滑與二階指數(shù)平滑。總體來(lái)看，三者的均方誤都很大，在模型的擬合與預(yù)測(cè)中仍然存在較大的偏差，但相對(duì)于ARMA模型來(lái)說(shuō)其擬合效果已經(jīng)有很大的提升。

?（七）正態(tài)性檢驗(yàn)

正態(tài)性檢驗(yàn)代碼與圖如下：

resid=model.resid#先計(jì)算出數(shù)據(jù)的殘差
#以下再進(jìn)行作圖
fig=plt.figure(figsize=(8,6))
ax=fig.add_subplot(1,1,1)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('Theoretical Quantiles',fontsize=35,color='blue')
plt.ylabel('Sample Quantiles',fontsize=35,color='blue')
plt.title('正態(tài)性檢驗(yàn)1964',fontsize=20)
fig=qqplot(resid,line='q',ax=ax,fit=True)
plt.show()

?圖8 正態(tài)性檢驗(yàn)qq圖

由qq圖來(lái)看，該模型數(shù)據(jù)通過(guò)正態(tài)性檢驗(yàn)，符合正態(tài)性分布，說(shuō)明我先前的判斷合理。綜合以上考慮，我決定使用三階指數(shù)平滑方法來(lái)構(gòu)建模型并預(yù)測(cè)未來(lái)18期的金融數(shù)據(jù)。

五、數(shù)據(jù)預(yù)測(cè)

預(yù)測(cè)數(shù)據(jù)的代碼如下：

(需要注意的是：在進(jìn)行預(yù)測(cè)時(shí)，第一行代碼與擬合時(shí)不一樣，最后部分沒(méi)有? .fittedvalues? 。)

通過(guò)forecast()方法進(jìn)行未來(lái)十八期數(shù)據(jù)的預(yù)測(cè)，其中該方法中的數(shù)字18則是說(shuō)明要預(yù)測(cè)未來(lái)18期的數(shù)據(jù)。

model = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit()
pred = model.forecast(18)
print(pred)

上表是由模型預(yù)測(cè)出的未來(lái)18期的金融數(shù)據(jù)。

預(yù)測(cè)圖代碼如下：

plt.figure(figsize=(15,8))
plt.title('最終預(yù)測(cè)結(jié)果1964',fontsize=40)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
plt.xlabel('日期',fontsize=35,color='blue')
plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
pred.plot(color='red',linewidth=3.0,label='預(yù)測(cè)線')#預(yù)測(cè)數(shù)據(jù)折線圖
data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實(shí)線')#實(shí)際數(shù)據(jù)折線圖
plt.legend(fontsize=20)
plt.show()

?圖9 預(yù)測(cè)結(jié)果可視化

?由上圖看出，預(yù)測(cè)數(shù)據(jù)的波動(dòng)以及變化趨勢(shì)與原始數(shù)據(jù)較為吻合，認(rèn)為其具有一定的合理性。

六、總結(jié)

?以上的建模與預(yù)測(cè)只以1964年金融數(shù)據(jù)集為例，而其他數(shù)據(jù)集在我進(jìn)行建模過(guò)程中表現(xiàn)出的特性與該例子的數(shù)據(jù)集相似，因此使用三階指數(shù)平滑的方法在十個(gè)數(shù)據(jù)集中都能夠行得通。

七、完整代碼

由于總體需要預(yù)測(cè)的數(shù)據(jù)有10列，而我在數(shù)據(jù)處理時(shí)將十列數(shù)據(jù)分別放入同一個(gè)表格中的不同Sheet，在本文開(kāi)頭已有說(shuō)明，因此完整代碼中我加入了一個(gè)簡(jiǎn)單的循環(huán)與函數(shù)來(lái)遍歷不同的sheet來(lái)分別預(yù)測(cè)不同的數(shù)據(jù)集·。同時(shí)也出于個(gè)人的需要，我要將代碼輸出的數(shù)據(jù)寫(xiě)入一個(gè)word文件中，因此在完整代碼中可以看到print()函數(shù)里面會(huì)接一個(gè)file=wordfile參數(shù)，這個(gè)就是將輸出print到我指定的word文件中，同時(shí)我還需要將作出的圖片輸出到指定的文件夾當(dāng)中，因此在作圖的最后我會(huì)添加一行plt.savefig()樣式的代碼，這個(gè)對(duì)于作圖可有可無(wú)，純看個(gè)人的需求。

其次，三階指數(shù)平滑并不是該數(shù)據(jù)集的最優(yōu)的擬合與預(yù)測(cè)方法，只是相對(duì)其他模型而言實(shí)現(xiàn)相對(duì)簡(jiǎn)單，若有更高的預(yù)測(cè)精度需求可自行嘗試構(gòu)建其他模型。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-582350.html

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.api import qqplot
import warnings
import os

#處理warning
warnings.filterwarnings("ignore")
#作圖顯示中文字符
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#展示所有列表文件
pd.set_option('display.max_columns',1000)
pd.set_option("display.width",1000)
pd.set_option('display.max_colwidth',1000)
pd.set_option('display.max_rows',1000)

datax=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=None)#導(dǎo)入表格中的所有sheet
datasets=['1998','2001','1996','1981','1982','1974','1976','1972','1984','1964']#待循環(huán)的十個(gè)數(shù)據(jù)


def timeda_3(num):
    data=pd.read_excel(r'D:\雜貨\金融數(shù)據(jù)集合.xlsx',sheet_name=num)
    data=data.set_index('日期')
    data.index=pd.to_datetime(data.index)
    #原始數(shù)據(jù)作圖
    fig=plt.figure(figsize=(15,8))
    ax1=plt.subplot(1,1,1)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('日期',fontsize=35,color='blue')
    plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
    plt.title('原始數(shù)據(jù)'+num,fontsize=35)
    x1=data.index
    y=data.iloc[:,0]
    plt.plot(x1,y,linewidth=4.0,label='真實(shí)線',color='orange')
    plt.legend(fontsize=20)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '原始數(shù)據(jù)圖'+num))#用于將圖片保存到指定的文件夾中
    plt.show()
    #作季節(jié)性圖
    from statsmodels.tsa.seasonal import seasonal_decompose
    decomposition=seasonal_decompose(data.iloc[:,0],model='addictive',period=12)
    decomposition.plot()
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '季節(jié)性圖' + num))
    plt.show()
    #一階平滑
    from statsmodels.tsa.holtwinters import SimpleExpSmoothing,ExponentialSmoothing
    datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues
    print('一階平滑結(jié)果：\n',datasmooth1,file=wordfile)
    plt.figure(figsize=(15,8))
    plt.title('一階平滑'+num,fontsize=40)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('日期',fontsize=35,color='blue')
    plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
    datasmooth1.plot(color='green',linewidth=3.0,label='擬合線')
    data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實(shí)線')
    plt.legend(fontsize=20)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '一階平滑圖' + num))
    plt.show()
    #一階平滑均方誤
    datasmooth1= SimpleExpSmoothing(data.iloc[:,0]).fit().fittedvalues
    from sklearn.metrics import mean_squared_error
    mse_1 = mean_squared_error(datasmooth1,data.iloc[:,0])
    print('一階平滑均方誤：',mse_1,file=wordfile)
    #二階平滑
    datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues
    datasmooth2_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal=None).fit().fittedvalues
    print('二階平滑結(jié)果(add）：\n',datasmooth2,file=wordfile)
    print('二階平滑結(jié)果（mul)：\n',datasmooth2_2,file=wordfile)
    plt.figure(figsize=(15,8))
    plt.title('二階平滑'+num,fontsize=40)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('日期',fontsize=35,color='blue')
    plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
    datasmooth2.plot(color='green',linewidth=3.0,label='line_add')
    datasmooth2_2.plot(color='red',linewidth=3.0,label='line_mul')
    data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')
    plt.legend(fontsize=20)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '二階平滑圖' + num))
    plt.show()
    #二階平滑均方誤
    datasmooth2= ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal=None).fit().fittedvalues
    from sklearn.metrics import mean_squared_error
    mse_2 = mean_squared_error(datasmooth2,data.iloc[:,0])
    print('二階平滑均方誤：',mse_2,file=wordfile)
    #三階平滑
    datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues
    datasmooth3_2 = ExponentialSmoothing(data.iloc[:,0], trend="mul", seasonal="mul", seasonal_periods=12).fit().fittedvalues
    print('三階平滑結(jié)果(add)：\n',datasmooth3,file=wordfile)
    print('三階平滑結(jié)果(mul)：\n',datasmooth3_2,file=wordfile)
    plt.figure(figsize=(15,8))
    plt.title('三階平滑'+num,fontsize=40)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('日期',fontsize=35,color='blue')
    plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
    datasmooth3.plot(color='green',linewidth=3.0,label='line_add')
    datasmooth3_2.plot(color='red',linewidth=3.0,label='line_mul')
    data.iloc[:,0].plot(color='black',linewidth=3.0,label='line_real')
    plt.legend(fontsize=20)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '三階平滑圖' + num))
    plt.show()
    #三階平滑均方誤
    datasmooth3 = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit().fittedvalues
    from sklearn.metrics import mean_squared_error
    mse_3 = mean_squared_error(datasmooth3,data.iloc[:,0])
    print('三階平滑均方誤：',mse_3,file=wordfile)
    #預(yù)測(cè)三階平滑模型數(shù)據(jù)
    model = ExponentialSmoothing(data.iloc[:,0], trend="add", seasonal="add", seasonal_periods=12).fit()
    pred = model.forecast(18)
    print('三階平滑預(yù)測(cè)結(jié)果數(shù)據(jù)：\n',pred,file=wordfile)
    #qq圖正態(tài)性檢驗(yàn)
    resid=model.resid
    fig=plt.figure(figsize=(8,6))
    ax=fig.add_subplot(1,1,1)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('Theoretical Quantiles',fontsize=35,color='blue')
    plt.ylabel('Sample Quantiles',fontsize=35,color='blue')
    plt.title('正態(tài)性檢驗(yàn)'+num,fontsize=20)
    fig=qqplot(resid,line='q',ax=ax,fit=True)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '正態(tài)性檢驗(yàn)qq圖' + num))
    plt.show()
    #預(yù)測(cè)圖
    plt.figure(figsize=(15,8))
    plt.title('最終預(yù)測(cè)結(jié)果'+num,fontsize=40)
    plt.xticks(fontsize=20)
    plt.yticks(fontsize=20)
    plt.xlabel('日期',fontsize=35,color='blue')
    plt.ylabel('金融數(shù)據(jù)',fontsize=35,color='blue')
    pred.plot(color='red',linewidth=3.0,label='預(yù)測(cè)線')
    data.iloc[:,0].plot(color='black',linewidth=3.0,label='真實(shí)線')
    plt.legend(fontsize=20)
    plt.savefig(os.path.join(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\金融數(shù)據(jù)集圖片', '預(yù)測(cè)數(shù)據(jù)圖' + num))
    plt.show()
    print('-------------','以上為',num,'年的數(shù)據(jù)','------------',file=wordfile)

if __name__=='__main__':
    wordfile = open(r'C:\Users\Lenovo\Desktop\商業(yè)數(shù)據(jù)挖掘大作業(yè)\數(shù)據(jù)輸出.docx', 'w')#打開(kāi)一個(gè)word文檔，只有打開(kāi)了才能寫(xiě)入
    for num in datasets:
        timeda_3(num)
    wordfile.close()#寫(xiě)完word文檔后要關(guān)閉，才能保存。
    print('運(yùn)行完畢')

到了這里，關(guān)于【Python數(shù)據(jù)分析】實(shí)踐編寫(xiě)篇3：在Python中使用三階指數(shù)平滑模型對(duì)金融數(shù)據(jù)集進(jìn)行擬合與預(yù)測(cè)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！