Prophet을 이용한 기아 자동차 주가 예측하기

220926 작성

<본 블로그는 HyeongWookKim 님의 깃코드를 참고해서 공부하며 작성하였습니다 :-)>

https://gist.github.com/HyeongWookKim/c8f31f30b233896bb8947622d7efaf82

[Ch 7. 시계열 데이터를 다뤄보자] from "파이썬으로 데이터 주무르기(민형기 지음)"

 

 

1️⃣ library & data load

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import datetime
from fbprophet import Prophet

import torch
import torch.nn as nn
from torch.autograd import Variable 

import torch.optim as optim
from torch.utils.data import Dataset, DataLoader

from pandas_datareader import data
import yfinance as yf
yf.pdr_override()

• '기아자동차(000270)'의 2012 1월 1일부터 2017년 6월 30일까지의 주가 정보를 사용

start_date = '2012-1-1'
end_date = '2017-6-30'

KIA = data.get_data_yahoo('000270.KS', start_date, end_date)
KIA.head()

 

 

 

2️⃣ Data 분석

• 종가(Close)를 기준으로 그래프
  • 종가 : 주식거래의 당일 맨 마지막 거래가 체결된 가격

KIA['Close'].plot(figsize = (12, 6), grid = True)

• 나중에 실제 값과의 비교를 위해, 일부 데이터를 잘라서 먼저 forecast를 수행

KIA_trunc = KIA[:'2016-12-31']
KIA_trunc

df = pd.DataFrame({'ds': KIA_trunc.index, 'y': KIA_trunc['Close']})
df.reset_index(inplace = True)

# 'ds' 변수를 생성해줬으므로, 'date' 변수는 삭제
del df['Date']

df.head()

• 주기성이 '일단위(daily_seasonality)'로 있다고 알려준다

m = Prophet(daily_seasonality = True)
m.fit(df)

• 1년(365일) 후. 즉, 2017년 12월 31일까지의 데이터를 예측하겠다는 의미

future = m.make_future_dataframe(periods = 365)
future.tail()

forecast = m.predict(future)
forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()

 

• 앞서 수행했던 그래프와 비슷

m.plot(forecast)

 

• 계절성 성분 별로 분해
  •  
    추세(trend), 예측된 부분이 반등되거나 그대로 내려갈 수도 있어보인다
  •  
    주간(weekly), 주말은 장이 서지 않기 때문에 화요일과 수요일이 상대적으로 높은 주가를 유지
  •  
    연간(yearly), 기아자동차의 주가는 1년 중에 2월에 가장 낮은 주가를 보이고 5월에 가장 높은 주가

m.plot_components(forecast)

 

 

3️⃣ 주가를 가져오는 날짜를 변경해서 다시 예측 성능을 확인

• 예측용으로 사용할 데이터는 5월 31일까지
• 종가(Close)를 기준으로 그래프

# 받아온 데이터
start_date = '2014-1-1'
end_date = '2017-7-31'

KIA = data.get_data_yahoo('000270.KS', start_date, end_date)

KIA['Close'].plot(figsize = (12, 6), grid = True);

# 예측용으로 사용할 데이터
KIA_trunc = KIA[:'2017-05-31']
KIA_trunc['Close'].plot(figsize = (12, 6), grid = True);

df = pd.DataFrame({'ds': KIA_trunc.index, 'y': KIA_trunc['Close']})
df.reset_index(inplace = True)

# 'ds' 변수를 생성해줬으므로, 'date' 변수는 삭제
del df['Date']

• 주기성이 '일단위(daily_seasonality)'로 있다

# 주기성이 '일단위(daily_seasonality)'로 있다고 알려준다
m = Prophet(daily_seasonality = True)
m.fit(df)

# 61일 간의 데이터를 예측하겠다는 의미
future = m.make_future_dataframe(periods = 61)
future.tail()

 

# 예측된 결과를 시각화
forecast = m.predict(future)
m.plot(forecast)

 

• 실제 데이터 값과 예측 값을 비교

plt.figure(figsize = (12, 6))
plt.plot(KIA.index, KIA['Close'], label = 'real')
plt.plot(forecast['ds'], forecast['yhat'], label = 'forecast')
plt.grid()
plt.legend()
plt.show()