Tesla Stock Price Prediction

Анализ временных рядов

• Прогнозирование акций Tesla с помощью моделей временных рядов. Получение информации о акциях компании Tesla (NASDAQ: TSLA) через Yahoo Finance. В этом проекте будут применяться методы анализа временных рядов для исследования основной информации TSLA и декомпозиции временных рядов TLSA.
• Методы экспоненциального сглаживания для прогнозирования цены TSLA на ближайшие 365 дней, а затем будут использоваться
• Модель ARIMA для прогнозирования цены. В этом проекте также будет проверено распределение ошибок «Тогда мы прогнозируем», чтобы проверить производительность модели.

Разложить временной ряд

Разложение временного ряда означает разделение его на составляющие компоненты, которые обычно представляют собой компонент тренда и нерегулярный компонент, а если это сезонный временной ряд, то и сезонный компонент. Что касается информации об акциях TSLA, на графике ценового тренда мы видим, что в данных нет сезонного компонента. Но данные этого временного ряда должны включать в себя трендовый компонент и нерегулярный компонент. Разложение временного ряда предполагает попытку разделить временной ряд на эти компоненты, то есть оценку трендового компонента и нерегулярного компонента. Мы воспользуемся функцией SMA() для сглаживания данных TSLA. Мы выберем другой порядок (n=8 и n=40) для проверки компонента тренда. Цель состоит в том, чтобы попытаться сгладить данные с помощью простого среднего перемещения.

Модель прогнозирования и оценка: экспоненциальное сглаживание

• Модель экспоненциального сглаживания
  Модель экспоненциального сглаживания можно использовать для составления краткосрочных прогнозов для данных временных рядов. Из данных TSLA мы знаем, что ее можно описать как аддитивную модель без сезонности. На графике тенденций мы видим, что случайные колебания временного ряда кажутся примерно постоянными по размеру с течением времени. Поэтому мы будем использовать функцию HoltWinter() для простого прогнозирования экспоненциального сглаживания.

Модель прогнозирования и оценка: модель ARIMA

Модель АРИМА

ARIMA (авторегрессионное интегрированное скользящее среднее) — это основной инструмент, используемый при анализе временных рядов для прогнозирования будущих значений переменной на основе ее текущего значения. Уравнение прогнозирования ARIMA(p,d,q): модели ARIMA теоретически представляют собой наиболее общий класс моделей для прогнозирования временных рядов, которые можно сделать «стационарными» путем дифференцирования. Модели ARIMA определены для стационарных временных рядов. Поэтому, если вы начинаете с нестационарного временного ряда, вам сначала нужно будет «разграничить» временной ряд, пока вы не получите стационарный временной ряд. Чтобы разграничить временной ряд d раз и получить стационарный ряд, мы используем функцию diff(). Затем мы воспользуемся формальным тестом ADF, который не отвергает нулевую гипотезу нестационарности, подтверждая наш визуальный осмотр:

Краткое содержание

В этом разделе мы используем данные по акциям TESLA в качестве временных рядов. Мы разлагаем его и используем экспоненциальное сглаживание HoltWinter и ARIMA для прогнозирования будущей цены акций. Основные процедуры показаны на следующем рисунке.

Другое дело, что мы всегда должны анализировать ошибки и настраивать параметры модели для достижения лучших результатов.