多虧了 python，用最先進的統計模型來預測股價，程式交易超簡單！不用安裝程式，今天我們雲端寫 code，適合完完全全的初學者！非常多非常多的人都用 python 在開發程式，因此，有很多高深數學軟體，都會有很多民間高手來實做，而我們只要會用就好了！學 python 從這篇開始！

用 Python 與 Machine Learning 預測股價示意圖

我們還是來稍微科普一下相關的程式交易知識好了

什麼是 model（模型）

模型就是一種能夠預測真實資料的數學公式，通常會是一個 function，例如 f 好了，假如我們有一條時間序列 f(t) = at + b 只要知道了變數 a 跟 b，就可以計算出 t 每一刻的 f(t) 是多少

要怎麼知道 a 跟 b 是多少？只要看其中兩個歷史時刻的位置即可：例如我們知道 f(1) = 1 且 f(2) = 2 則我們可以推算出 a = 1 且 b = 0，並且預知 f(3) = 3 、 f(4) = 4 、 f(5) = 5 …

股價模型也是一樣，但是這個模型會比較複雜，不會只有 a、b 而已不過規則是一樣的，我們要用歷史股價去計算類似 a、b 的變數，通常稱之為 fitting 找到 a、b 後就能夠用模型來預測股價了！

用什麼模型預測股價呢？

Facebook 最近推出了一個新型的時間序列預測模型 Prophet，中文叫作預言家，預言家可以預測一些週期性的時間序列例如下圖，一個 FB 每天 PO 文的數量圖，隨時間關係圖：

Facebook 每天發文數量隨時間變化的時間序列圖

截圖自 fb論文

圖中，每個時間都只會對應到一個點，就是每天的 PO 文數量我們可以觀察到一些現象：

以每週來檢視

上圖中，顏色的不同代表每週的變化量，禮拜六看起來明顯就比較少人用 FB，（週末都跑去玩了？XD）

以每年來檢視

我們也可以發現，以年度來說，暑假時 PO 文數會下降（大家都去放暑假了？）

每個週期下都有各自的規律，傳統的模型能夠成功預測嗎？

傳統模型的限制

其實已經有很多模型了，但為什麼 FB 還要推出一個新的呢？原因是，以前的模型並沒有辦法多週期性的預測 f(t) ：

傳統時間序列模型對多週期資料的預測結果不夠準確

這張圖的每個 row 是不同的模型圖中每條「實線」就是預測模型的結果，可以看出以往的模型，預測出來結果並不是很準

預言家模型

下圖中，可以發現預言家模型比上述的模型預測的更準確

Prophet 預言家模型比傳統模型預測更準確的比較圖

預言家模型最厲害的地方，就是用多條 Fourier Series，去擬合（fitting）時間序列在這邊就不把可怕的公式放上來了，有興趣可以參考 fb論文可以將週期調整至「每年」「每季」「每週」！模型簡單可以寫成這樣：

f(t) = year(t) + season(t) + week(t) + trend(t)

甚至在 fitting 完（找到 a、b 等參數後）可以將 f(t) 的成分拆解出來看：

Prophet 模型將時間序列拆解成趨勢與週期成分的分解圖

而最後的 f(t) 就是這些曲線的疊加，由上圖第三張，我們可以額外發現，聖誕節的時候，使用 FB 的人數下降非常快外國的聖誕節，就是與家人團聚的時光，（像是我們的農曆新年）所以不太會用手機的緣故

這篇論文大意就講到這裡，詳情可以參考：此論文

用預言家預測股票

看完了學術的部分，接下來我們就實際的來使用預言家模型預測股價吧！要預測的精準，我們要找有週期性的股票來分析，這邊我就隨性的拿台積電當作是標的來預測囉～

超簡單環境設定

安裝 python、安裝 jupyter？不用，google 提供了強大的雲端 notebook，讓我們可以直接玩程式： https://colab.research.google.com/ 打開連結，開啟新的 notebook，在雲端寫程式！當然你有 python 也可以開自己的，快的多

這次為了方便大家學習，我已經將環境建設好了！在任意 cell 輸入：

      
        顯示程式碼
        
      !git clone https://github.com/koreal6803/Stocker.git
!pip install -r Stocker/requirements.txt

即可完成！需要一段安裝時間，使用 google colab 的話，可以去休息一下，喝個水再回來 XD

在 Google Colab 中安裝 Stocker 套件的執行畫面

上述代碼中，每行開頭的驚嘆號，可以讓你把 jupyter 當作 terminal 在用，（不過假如 windows 用戶沒有 git 可能就無法…點上面 google 線上程式連結）

去除煩人的 warrning

接下來，我們先來刪除惱人的 warrning，最近 pandas 越來越煩一堆 warrning…看了心煩直接刪除

      
        顯示程式碼
        
      import warnings
 
### 去除煩人的 warrning
warnings.filterwarnings('ignore')

讀入台積電股價

接下來就讀入附帶的台積點股價：

      
        顯示程式碼
        
      import pandas as pd
 
### 讀入series
df = pd.read_csv('Stocker/price.csv', index_col='date', parse_dates=['date'])
price = df.squeeze()
price.head()

讀入台積電股價 CSV 後的 pandas series 資料預覽

其中的 squeeze 就是將 dataframe 變成 series 的 function，你可以用

      
        顯示程式碼
        
      print(df)
print(df.squeeze)

來查看其中差別

創建 Stocker

這個 Stocker 並不是我寫的 package，而是利用國外別人寫好的，再額外修改成更方便的版本

用法很簡單，把股價的 series 丟進去就可以了：

      
        顯示程式碼
        
      from Stocker.stocker import Stocker
tsmc = Stocker(price)

預測中期走勢

接下來我們就可以用它來預測中期走勢，只需要一行

      
        顯示程式碼
        
      model, model_data = tsmc.create_prophet_model(days=90)

Stocker 預測台積電中期走勢的股價與信賴區間圖

其中綠色的就是預測出來的股價，而淺綠色區域就是信賴區間，股價大約就會落於此區間內，程式中的信賴區間為 80％，也代表了，每五天就約有一天的股價會落於信賴區間之外，可以看到預測時間越久（沒實際股價的地方），不確定性越大，所以綠色的區間也就稍微變大可以用來當作布林區間的感覺

這樣預測準確嗎？

不確定，所以我們可以把時間還原到一年前，來看看假如當時預測的結果，跟至今是不是有差別，我們不讓 Stocker 使用近一年的股價來 fitting，出來的曲線跟實際的股價做比較：

      
        顯示程式碼
        
      tsmc.evaluate_prediction()

Stocker 將預測結果與真實股價比較的回測評估圖

上圖中，紅色虛線就是開始預測的當下，紅色線以後的時間都是預言家預測的結果而藍色則為預測的真實股價，黃色則是信賴區間

不準怎麼辦？

沒關係，我們可以調整短中長期的參數，讓它預測短中長期股價：

      
        顯示程式碼
        
      tsmc.changepoint_prior_analysis(changepoint_priors=[0.001, 0.05, 0.1, 0.2])

下圖中，可以看到藍色的線比較偏趨勢，不隨當下股價起舞，算是長期的趨勢預測而黃色則是非常貼近股價，算是短期的預測使用者可以自行調整參數，來決定短中長線的應用

調整 changepoint prior 參數比較短中長期股價預測曲線的圖

拿來預測股價了！

我們藉由上述的參數枚舉，可以知道哪一個參數（changepoint_prior）是最好的我們可以藉由執行 predict_future 來預測股價囉！

      
        顯示程式碼
        
      tsmc.predict_future(days=100)

使用 Stocker 的 predict_future 預測台積電未來股價的圖

藉由 Stocker，我們可以很輕易的預測股價，至於其準確性，還有待各位看官們回測看看囉！

有上左方課程的同學，可以很輕易的使用 Stocker 來檢驗歷史報酬率是多少！可以試著找到最佳的參數，並盡量選擇有週期性的股票～期待你們的成果！

此程式的一些連結：此程式的github 此程式的notebook 國外Stocker文章國外github 預言家github

超簡單用 Python 預測股價：Facebook Prophet 預言家模型實戰教學