ここでは、Facebook社（現Meta社）が開発した予測ライブラリ Prophet を使って株価を予測してみます。

Prophetは、下記のように時系列データを3つの項の和として回帰モデルを構築しています。

$${y(t) = g(t) + s(t) + h(t) + εt}$$$${\\}$$
$${g(t)：トレンド（時間によって単調変化）}$$$${\\}$$
$${s(t)：季節性（周期性）}$$$${\\}$$
$${h(t)：祝日効果（祝日による影響）}$$$${\\}$$
$${εt：誤差項}$$$${\\}$$

Prophetの特徴としては、計算が正確で高速、時間がかかる工程がなく簡単に使える、予測モデルをチューニング可能などがあげられます。

Prophetは非線形のデータを年・週・日単位の周期性や変動点でフィッティングします。Prophetは強い周期性を持つ時系列データやいくつかの周期性を持つデータに対する予測を得意としており、時系列データの間にあるデータの抜けや外れ値に対しても強いようです。

なお、最低限のポイントのみの説明にするため、Pythonライブラリ、モジュール等のインストール方法については割愛させて頂きます。お使いのPC環境等に合わせてインストールしてもらえればと思います。

１．株価データを取得する

下記を参考にOHLCV（始値 / 高値 / 安値 / 終値 / 出来高）形式の日経平均株価(^NKX)データを取得します。データの取得期間は、2018年1月1日から2023年1月/1日までです。

import pandas_datareader.data as web
import datetime

start = '2018/01/01'
end = '2023/01/01'

data = web.DataReader('^NKX', 'stooq', start, end)

２．ライブラリをインポートする

まず、時系列機械学習ライブラリである fbprophet  から Prophet をインポートします。

from fbprophet import Prophet

３．Prophetで株価を予測する

今回は、以下の条件で株価予測を行います。

• 対象：日経平均株価(^NKX)

• 学習期間：2018/1/1～2023/1/1

• 予測期間：2023/1/1以降、80日間の終値を予測

• Prophetモデルのパラメータ：デフォルト

3. 1 データの整形・前処理

Prophetを用いるには、日付カラム名を ds、予測するカラム名を y にする必要があります。今回は終値 Close を予測データとして扱うので、以下のように加工します。

元々のデータは、日付がインデックスとなっているので、インデックスをリセットし、Date 列の日付データとClose 列の終値データをそれぞれ新たに作った ds 列と y 列に格納します。

# インデックスをリセット
data = data.reset_index()

# 新たに ds列と y列を追加
data['ds'] = data['Date']
data['y'] = data['Close']
data

3. 2 予測モデル作成

以下のように予測モデルを生成します。インスタンス生成からfitの流れです。モデルに手を加えたい場合は、Prophet( ) の ( ) の中に記述します。今回はデフォルトで行うので空です。

model = Prophet() # インスタンス生成　
model.fit(data)

3. 3 予測期間の設定と学習モデルによる予測

今回は2023/1/1以降、80日間の予測をしようと思うので、periods=80と設定します。また、freq = ‘d’で予測単位を日単位に設定します。

future = model.make_future_dataframe(periods=80, freq='d') # 予測期間の設定
forecast =model.predict(future) # 学習モデルによる予測

学習モデルによる予測データ forecastの中身をprintで確認してみます。

print(forecast.info())
print(forecast)

＜forecastの中身＞

4．予測結果の描画

4. 1 予測結果の描画
黒い点が実データです。2023/1/1以降の黒い点がない部分が予測箇所です。

# ラベルをつけてチャートを表示
fig = model.plot(forecast)

# チャートを表示
fig.show()

4. 2 規則性の可視化
plot_components で規則性を可視化できます。グラフは、上から順にトレンド、週周期、年周期です。

model.plot_components(forecast)

今回は、予測ライブラリ Prophet を使って株価を予測するのみとしましたが、別の投稿でパラメータの最適化やモデルの精度検証をしていきたいと考えています。