python将seasonal_decompose应用于金融时间序列答案

【问题标题】：python apply seasonal_decompose to financial time seriespython将seasonal_decompose应用于金融时间序列
【发布时间】：2021-12-11 19:49:32
【问题描述】：

我正在尝试对财务数据执行时间序列数据分析，并且我想执行季节性分解

from statsmodels.tsa.seasonal import seasonal_decompose
import pandas as pd
import datetime
import pandas_datareader as data
df = data.get_data_yahoo('UGA', start=everSince, end=today)
df_close = df[['Close']]
result = seasonal_decompose(df_close, model='multiplicative')

我这样得到的错误

您必须指定一个句点，或者 x 必须是带有 PeriodIndex 或 DatetimeIndex 且频率未设置为 None 的 pandas 对象

我知道我可以将频率指定为df.asfreq()，但财务数据没有每日频率（即我没有每一天的条目），因为它们是从周一到周五，有时还有节假日。

如何将seasonal_decompose 应用于此类数据？我也试过df_close.index = df_close.index.to_period('B')，但没用。

df 的一个例子是：

                Close
Date                 
2008-02-28  49.790001
2008-02-29  49.610001
2008-03-03  49.810001
2008-03-04  47.450001
2008-03-05  49.049999
2008-03-06  49.369999
2008-03-07  50.230000
2008-03-10  50.610001
2008-03-11  50.700001
2008-03-12  50.919998
2008-03-13  49.939999
2008-03-14  50.049999
2008-03-17  46.869999
2008-03-18  48.980000
2008-03-19  47.540001
2008-03-20  48.070000
2008-03-24  48.459999
2008-03-25  49.490002
2008-03-26  50.320000
2008-03-27  50.110001
2008-03-28  50.009998
2008-03-31  48.509998
2008-04-01  48.840000
2008-04-02  51.130001
2008-04-03  50.419998
2008-04-04  50.900002
2008-04-07  51.430000
2008-04-08  50.959999
2008-04-09  51.290001
2008-04-10  51.540001

其中索引的类型为pandas.core.indexes.datetimes.DatetimeIndex。

【问题讨论】：

你能提供示例输入数据吗？
@luigigi 我做了：它们是用data.get_data_yahoo('UGA', start=everSince, end=today) 作为熊猫数据框下载的。
@luigigi 还是您要的是硬编码的 df？
我看到了问题，但我认为您必须操纵数据，使其符合seasonal_decompose 的要求。例如，您可以重新采样数据并通过插值替换 nan 值：result = seasonal_decompose(df_close.resample('1D').asfreq().interpolate(), model='multiplicative')
我想保留每天的时间范围。我希望有一些方法可以管理此类财务数据，但到目前为止，您的方法是最好的方法。

标签： python time-series statsmodels

【解决方案1】：

您的问题可以通过以下方式解决：

如果您没有每日数据，则填补数据框中缺失的日期空白，并用0 替换受尊重的值
为目标属性设置周期/频率以产生季节性：

# import libraries
import numpy as np
import pandas as pd
import datetime as dt
import statsmodels.api as sm
from statsmodels.tsa.seasonal import seasonal_decompose
print(sm.__version__)

# Generate some data
TODAY = dt.date.today()
ONE_WEEK = dt.timedelta(days=107)
ONE_DAY = dt.timedelta(days=1)

# Create pandas dataframe 
df = pd.DataFrame({'Date': [TODAY-ONE_WEEK, TODAY-3*ONE_DAY, TODAY], 'Close': [42, 45,127]})

#      Date    Close
#0  2021-09-02  42
#1  2021-12-15  45
#2  2021-12-18  127

# Fill the missing dates and relative attribute with 0
r = pd.date_range(start=df.Date.min(), end=df.Date.max())
df = df.set_index('Date').reindex(r).fillna(0).rename_axis('Date').reset_index().dropna()

# Set period/frequency using set_index() dates
df['Date'] = pd.to_datetime(df['Date'])
df = df.set_index('Date').asfreq('D').dropna()

#            Close
#Date   
#2021-09-02 42.0
#2021-09-03 0.0
#2021-09-04 0.0
#2021-09-05 0.0
#2021-09-06 0.0
#...    ...
#2021-12-14 0.0
#2021-12-15 45.0
#2021-12-16 0.0
#2021-12-17 0.0
#2021-12-18 127.0
# 108 rows × 1 columns

最后，现在我们可以使用函数seasonal_decompose() 将时间序列数据分解为其他组件：

# inspect frequency attribute
print(df.index.freq)  #<Day>

# Reproduce the example for OP and plot output
seasonal_decompose(df, model='additive').plot()

输出：

如果您愿意，可以通过我的另一个answer 实现另一个输出图：

注意：分解不适用于model='multiplicative'，原因是：

ValueError: Multiplicative seasonality is not appropriate for zero and negative values

【讨论】：