時系列回帰への古典的なアプローチは次のとおりです。
私が知っている他のあまり一般的でないアプローチは
低速機能分析 、時系列の駆動力を抽出するアルゴリズム、たとえば カオス信号の背後にあるパラメーター
ニューラルネットワーク(NN)アプローチは、リカレントNN(つまり、時報を処理するために構築された)または過去のデータの入力部分として受信して将来のポイントを予測しようとする従来のフィードフォワードNNのいずれかを使用します。後者の利点は、リカレントNNが遠い過去を考慮に入れることに問題があることが知られていることです。
財務データ分析についての私の意見では、時系列の最良の外挿だけでなく、信頼区間も取得することが重要です。これは、結果として得られる投資戦略がそれに応じて大きく異なる可能性があるためです。ガウス過程のような確率的手法は、将来の可能性のある値の確率分布を返すため、「無料」でそれを提供します。古典的な統計手法では、 ブートストラップ手法 に依存する必要があります。
統計ツールと機械学習ツールを提供するPythonライブラリはたくさんありますが、私が最もよく知っているライブラリは次のとおりです。
pythonライブラリについてはわかりませんが、オープンソースであるRには優れた予測アルゴリズムがあります。コードと時系列予測のリファレンスについては forecast パッケージを参照してください。 。
時系列の周期的なパターンを見つけるために 自己相関 を試しましたか? numpy.correlate 関数でそれを行うことができます。
その背後にあるアルゴリズムについてのみ言えば、私は最近、プロジェクトで 二重指数平滑化 を使用しましたが、データに傾向があるときに新しい値を予測することでうまくいきました。
実装は非常に簡単ですが、アルゴリズムが十分に精巧に作成されていない可能性があります。
分類、回帰、クラスタリング、予測、および関連タスクの時間的構造化入力を処理する方法には、2つの方法があります。
python package tsfresh 時系列を含むpandas.DataFrameからそのような機能の膨大な数を計算します。そのドキュメントは http:/ /tsfresh.readthedocs.io 。
免責事項:私はtsfreshの作者の一人です。
データ処理のグループ方式 財務データの予測に広く使用されています。
質問に直接答えることはできませんが、時系列予測とシーケンシャルデータマイニングに適したライブラリについて多くのグーグルを行った後、このワークショップページに出くわしました http://sequenceanalysis.github.io/ whichマルコフ連鎖フィッティングに関する興味深いコードがあります。私はそれが他の誰かにも役立つことを願っています:)
Pythonを使用した時系列予測を理解したい場合は、以下のリンクが非常に役立ちます。
https://github.com/ManojKumarMaruthi/Time-Series-Forecasting