[주식 프로젝트3] 시계열 데이터 예측하기

Prophet 

공식문서 : https://facebook.github.io/prophet/

Prophet

메타에서 공개한 시계열 예측 라이브러리
시간에 따른 트렌드, 계절성, 휴일효과등을 반영하여 미래의 값을 예측할 수 있음

 

y(t) = g(t) + s(t) + h(t)

• g(t): 트렌드 모델, 주기성을 포함한 시간에 따른 변동
• s(t): 계절성 구성요소 모델, 주기성
• h(t): 휴일 효과 모델, 휴일에 따른 추가적인 변동
• ε(t): 오차항, 모델에서 설명하지 못하는 잔차

💡 Prophet 매개변수의 기본값
- changepoints: None
- n_changepoints: 25 ,구조 변화를 설정할 때 사용할 차례 수
- changepoint_range: 0.8,구조 변화가 발생할 수 있는 기간의 비율
- yearly_seasonality: 'auto' ,연간 계절성을 자동으로 감지
- weekly_seasonality: 'auto',주간 계절성을 자동으로 감지
- daily_seasonality: 'auto',일일 계절성을 자동으로 감지
- seasonality_mode: 'additive'-데이터의 잔폭이 일정/반대 - multivate-데이터의 잔폭이 점점 증가
- seasonality_prior_scale: 10.0, 계절성 모델의 유연성을 제어하는 매개변수
- holidays: None-휴일 이벤트를 고려X

 

prophet 모델 성능평가

MSE(Mean Squared Error)

 회귀 모델의 성능을 평가하는 지표로,

 예측값과 실제값의 차이를 제곱하여 평균화한 값

---

 

APPLE 모델링하기

1차 시도

 

학습데이터 start = 2021-01-01 end = 2023-06-30(상승추세)

테스트데이터 start=2021-01-01 end=2024-03-04

 

google

1차 모델링

# 파라미터 조정 없는 학습 future_apple, forecast_apple
model_apple = Prophet()
model_apple.fit(df_apple)
fcast_time = 365 #365 일예측
future_apple = model_apple.make_future_dataframe(periods = fcast_time, freq = 'D')
forecast_apple = model_apple.predict(future_apple)

# 시각화 : 파라미터 조정 없는 학습 future_apple, forecast_apple
# 파란선이 예측한 값, 검정색이 실제 데이터
fig1 = model_apple.plot(forecast_apple)# 요소

 

plt.figure(figsize=(10, 5))
plt.fill_between(x=test_set['Date'], y1=test_set['yhat_lower'], y2=test_set['yhat_upper'], color='lightblue')
sns.lineplot(data=test_set, x='Date', y='Close', color='black')
sns.lineplot(data=test_set, x='Date', y='yhat', color='blue')


plt.title('APPLE')

23년 1월부터 크게 상승후 9월부터 정체된 실제 주가와 달리 예측주식은 계속 상슬할 것으로 판단

-> 학습기간의 마지막 추세를 많이 반영한것 같다

 

1차 모델 성능 검사

#테스트 데이터셋 검증
# MSE가 0이라면 예측 모델은 완벽하게 실제값을 예측하는 것이며, MSE가 크다면 예측 오차가 크다는 것을 의미
from sklearn.metrics import mean_squared_error

mse_test = mean_squared_error(test_set['Close'], test_set['yhat'])
mse_test

>>> 1145.4836000407536 

 

2차 시도

학습데이터 start = 2021-01-01 end = 2023-09-30(하락추세)

테스트데이터 start=2021-01-01 end=2024-03-04

 

2차 모델링

model_apple= Prophet(
    # trend -> 높을수록 디테일하게 확인, 0.5보다 커지면 오차가 커짐
    changepoint_prior_scale= 0.5,
    # seasonality 
    yearly_seasonality = 20,
    # weekly는 10이상 일 경우 오차가 커짐
    weekly_seasonality = 10,
    # 토,일에 거래가 없는 요일 반영
    daily_seasonality = True,
    seasonality_prior_scale=10, #10이상일경우 오차가 커짐
    seasonality_mode='additive')
# 주가는 연도별로 증가하는 경향이 크기 때문 -> 그러나 23년 전까지 크게 변화가 애플에게는 multiplicative는 안맞을듯)
# 미국의 휴일 설정
model_apple.add_country_holidays(country_name='US')
# 학습
model_apple.fit(df_apple)

future_apple = model_apple.make_future_dataframe(periods = fcast_time, freq = 'D')
forecast_apple= model_apple.predict(future_apple)

2차 모델 성능 검사

# 테스트를 위한 start='2021-01-01', end='2024-03-04'의 데이터
apple = yf.download('AAPL', start='2021-01-01', end='2024-03-04')
test_set = pd.merge(apple, forecast_apple, how='inner', on='Date')

#테스트 데이터셋 검증
# MSE가 0이라면 예측 모델은 완벽하게 실제값을 예측하는 것이며, MSE가 크다면 예측 오차가 크다는 것을 의미
from sklearn.metrics import mean_squared_error

mse_test = mean_squared_error(test_set['Close'], test_set['yhat'])
mse_test

 

>>> 18.312049744884167

-> 많이 낮아졌다

-> 마지막 학습 기간에 따라 영향을 많이 받는다

 

---

AMAZON 모델링하기

 

학습데이터 start = 2021-01-01 end = 2023-09-30(하락추세)

테스트데이터 start=2021-01-01 end=2024-03-04

 

1차 기본값으로 모델링

# 파라미터 조정 없는 학습 future_apple, forecast_apple
model_amazon = Prophet()
model_amazon.fit(df_amazon)
fcast_time = 365 #365 일예측
future_amazon = model_amazon.make_future_dataframe(periods = fcast_time, freq = 'D')
forecast_amazon = model_amazon.predict(future_amazon)

# 시각화 : 파라미터 조정 없는 학습 future_apple, forecast_apple
# 파란선이 예측한 값, 검정색이 실제 데이터
fig_am = model_amazon.plot(forecast_amazon)# 요소

각 데이터의 진폭이 21년도보다 22년도에 훨씬 커짐

-> 주가가 21년도 보다 22년도에 큰 범위에서 변동

 

1차 기본값 성능평가

-> 학습시간이후(9월) 상승추세를 잘 반영하지 못함

# 성능평가를 위한 전처리
forecast_amazon['Date'] = forecast_amazon['ds']
# 테스트를 위한 start='2021-01-01', end='2024-03-04'의 데이터
amazon = yf.download('AMZN', start='2021-01-01', end='2024-03-04').reset_index()
test_set_amazon = pd.merge(amazon, forecast_amazon, how='inner', on='Date')

#테스트 데이터셋 검증
# MSE가 0이라면 예측 모델은 완벽하게 실제값을 예측하는 것이며, MSE가 크다면 예측 오차가 크다는 것을 의미
from sklearn.metrics import mean_squared_error

mse_test_amazon = mean_squared_error(test_set_amazon['Close'], test_set_amazon['yhat'])
mse_test_amazon

 

>>> 80.57088943742133

2차  모델링

prophet 매개변수중 seasonality_mode반영

model_amazon2= Prophet(
    # trend -> 높을수록 디테일하게 확인, 0.5보다 커지면 오차가 커짐
    changepoint_prior_scale=0.05,
    # seasonality 
    yearly_seasonality = 15,
    # weekly는 10이상 일 경우 오차가 커짐
    weekly_seasonality = 15,
    # 토,일에 거래가 없는 요일 반영
    daily_seasonality = True,
    seasonality_prior_scale = 20, #20 이하일경우 오차가 커짐
    seasonality_mode = 'multiplicative')
# 아마존는 연도별로 증가하는 경향이 큼(데이터의 진폭커짐)-> multiplicative 더 최적
# 미국의 휴일 설정
model_amazon2.add_country_holidays(country_name='US')
# 학습
model_amazon2.fit(df_amazon)

future_amazon2 = model_amazon2.make_future_dataframe(periods = fcast_time, freq = 'D')
forecast_amazon2= model_amazon2.predict(future_apple)

2차  성능평가

-> 학습 기간 이후 주식반등을 예측함

# 성능평가를 위한 전처리
forecast_amazon2['Date'] = forecast_amazon2['ds']
# 테스트를 위한 start='2021-01-01', end='2024-03-04'의 데이터
amazon = yf.download('AMZN', start='2021-01-01', end='2024-03-04').reset_index()
test_set_amazon2 = pd.merge(amazon, forecast_amazon2, how='inner', on='Date')

#테스트 데이터셋 검증
# MSE가 0이라면 예측 모델은 완벽하게 실제값을 예측하는 것이며, MSE가 크다면 예측 오차가 크다는 것을 의미
from sklearn.metrics import mean_squared_error

mse_test_amazon2 = mean_squared_error(test_set_amazon2['Close'], test_set_amazon2['yhat'])
mse_test_amazon2

>>> 결과 : 37.67348398062116

---

MICROSOFT 모델링하기

학습데이터 start = 2021-01-01 end = 2023-09-30(하락추세)

테스트데이터 start=2021-01-01 end=2024-03-

 

 

모델링

아마존의  seasonality_mode 반영

# 매개변수 조정
model_ms2= Prophet(
    # trend -> 높을수록 디테일하게 확인, 0.05~0.01 사이가 좋은 듯
    changepoint_prior_scale=0.03,
    # seasonality는 작아질 수록 커짐
    yearly_seasonality = 20,
    # 토,일에 거래가 없는 요일 반영
    weekly_seasonality = 15,
    daily_seasonality = True,
    seasonality_prior_scale = 0, #10이상일경우 오차가 커짐
    seasonality_mode = 'multiplicative')
# ms는 'additive'보다 multiplicative 더 최적 -> 오차가 더 작아짐, 연도별 잔폭이 더 커지는 듯
# 미국의 휴일 설정
model_ms2.add_country_holidays(country_name='US')
#model_ms2.add_seasonality(name='monthly', period=30.5, fourier_order=5)
# 학습
model_ms2.fit(df_ms)

future_ms2 = model_ms2.make_future_dataframe(periods = fcast_time, freq = 'D')
forecast_ms2= model_ms2.predict(future_ms2)

 

 

 

성능평가

# 성능평가를 위한 전처리 -> 조정값
forecast_ms2['Date'] = forecast_ms2['ds']
# 테스트를 위한 start='2021-01-01', end='2024-03-04'의 데이터
ms = yf.download('MSFT', start='2021-01-01', end='2024-03-04').reset_index()
test_set_ms2 = pd.merge(ms, forecast_ms2, how='inner', on='Date')

#테스트 데이터셋 검증
# MSE가 0이라면 예측 모델은 완벽하게 실제값을 예측하는 것이며, MSE가 크다면 예측 오차가 크다는 것을 의미
mse_test_ms2 = mean_squared_error(test_set_ms2['Close'], test_set_ms2['yhat'])
mse_test_ms2

>>> 120.85915161177347