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：

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) ：

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

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：

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：

!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

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

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：

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()

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

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：

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

model, model_data = tsmc.create_prophet_model(days=90)

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：

tsmc.evaluate_prediction()

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：

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

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！

tsmc.predict_future(days=100)

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