Pythonでfbprophetを用いて、株価予測をしてみた②（パラメータチューニング編）

# 月周期を追加する
m1.add_seasonality(name='monthly', period=30.5, fourier_order=5)

# 四半期周期を追加する
m1.add_seasonality(name='quarterly', period=365.25/4, fourier_order=5)

# 警告を無視する
import warnings
warnings.filterwarnings('ignore')

# DataFrameのライブラリを読み込む
import pandas as pd
import pandas_datareader as web

import numpy as np
import math

# グラフ表示関連のライブラリを読み込む
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import japanize_matplotlib
from matplotlib.dates import date2num

# 日付を扱うためのライブラリを読み込む
from datetime import datetime

# fbprophetのライブラリを読み込む
from fbprophet import Prophet

# R2を計算するためのライブラリを読み込む
from sklearn.metrics import r2_score

# RMSEを計算するためのライブラリを読み込む
from sklearn.metrics import mean_squared_error

# グリッドサーチを行うためのライブラリを読み込む
from sklearn.model_selection import ParameterGrid

# 日本の祝日を取得するためのライブラリを読み込む
import jpholiday

# プログレスバーを表示するためのライブラリを読み込む
from tqdm import tqdm

# 時間を扱うためのライブラリを読み込む
import time

# ログを扱うためのライブラリを読み込む
import logging

logging.getLogger('fbprophet').setLevel(logging.WARNING)

# トヨタ(証券コード：7203)の株価を取得する
df = web.DataReader('7203.JP', data_source='stooq', start='2015-01-01', end='2020-12-31')

# 項目名の日本語化
columns = ['開始値', '最高値', '最安値', '終値', '出来高']

# 項目名を日本語に置き換える
df.columns = columns

# 取得した株価を日付で昇順に変換する
df = df[::-1]

# dfはindexに日付を設定している
# df_1を新規に作成し、日付を列として追加する
df_1 = pd.DataFrame()
df_1['日付'] = df.index.values

# df_1に終値を追加する
df_1['終値'] = df.filter(['終値']).values

# 列名をfbprophetで扱える列名に変換する
df_1.columns = ['ds', 'y']

# 訓練データと検証データを分割する
# 訓練データ：2015-01-05 ～ 2020-11-09
# 検証データ：2020-11-10 ～ 2020-12-30
# 分割日sdayを設定する
split_day = pd.to_datetime('2020-11-10')
end_day = pd.to_datetime('2020-12-30')

# 分割日を起点にtrueとfalseを割り当てる
# train_indexは0～1426行目までTrueで、1427～1462行目までFalseとなり、
# test_indexは0～1426行目までFalseで、1427～1462行目までTrueとなる
train_index = df_1['ds'] < split_day test_index = df_1['ds'] >= split_day

# 訓練データと検証データを作成する
x_train = df_1[train_index]
x_test = df_1[test_index]

# 予測データと検証データをグラフ表示する際に使用する日付を設定する
# 設定する日付は2020-11-10 ～ 2020-12-30となる
dates_test = df_1['ds'][test_index]

# グリッドサーチする探索範囲を辞書型で設定する
params = {'changepoint_prior_scale': [0.4, 0.5, 0.6],
          'changepoint_range': [0.8, 0.9, 1.0],
          'seasonality_prior_scale': [2.0, 3.0, 4.0],
          'yearly_seasonality': [10, 20, 30, 40, 50],
          'weekly_seasonality': [10, 20, 30, 40, 50],
          'monthly_fourier': [3, 4, 5],
          'monthly_prior': [0.5, 1.0, 1.5],
          'quarterly_fourier': [3, 4, 5],
          'quarterly_prior': [0.5, 1.0, 1.5],
          'daily_seasonality': [False]}

# 探索範囲として設定した値をgridにセットする
grid = ParameterGrid(params)

# グリッドサーチの結果を保存するデータフレームを用意する
result = pd.DataFrame(columns=['elapsed_time',
                               'R2',
                               'RMSE',
                               'changepoint_prior_scale',
                               'changepoint_range',
                               'seasonality_prior_scale',
                               'monthly_fourier',
                               'monthly_prior',
                               'quarterly_fourier',
                               'quarterly_prior'])

for p in tqdm(grid):

    start = time.time()

    # モデルを定義する
    m1 = Prophet(growth='logistic',
                 yearly_seasonality=p['yearly_seasonality'],
                 weekly_seasonality=p['weekly_seasonality'],
                 daily_seasonality=p['daily_seasonality'],
                 changepoint_prior_scale=p['changepoint_prior_scale'],
                 changepoint_range=p['changepoint_range'],
                 seasonality_prior_scale=p['seasonality_prior_scale'],
                 seasonality_mode='multiplicative',)

    # 月周期を追加する
    m1.add_seasonality(name='monthly',
                       period=30.5,
                       fourier_order=p['monthly_fourier'],
                       prior_scale=p['monthly_prior'])

    # 四半期周期を追加する
    m1.add_seasonality(name='quarterly',
                       period=365.25/4,
                       fourier_order=p['quarterly_fourier'],
                       prior_scale=p['quarterly_prior'])

    # cap,floorを設定する
    x_train['cap'] = 8500
    x_train['floor'] = 0

    # モデルを学習する
    m1.fit(x_train)

    # 予測データを作成する
    # 予測する期間は、2020-11-10から2020-12-30の51日分
    # futureはデータフレーム形式で、日付データのみが入っている
    future_1 = m1.make_future_dataframe(periods=51, freq='D')

    # future_1には、株取引が行われてない週末の日付も含まれているので、土日を除外する
    # weekdayを使用することで、月～日を0～6の数値として扱うことができる
    # 土曜日=5、日曜日=6をfuture_1から除外する
    future_no_weekend = future_1[future_1['ds'].dt.weekday < 5]

    # futureには、株取引が行われていない祝日の日付も含まれているので、除外する
    # jpholidayを含めることで、指定した期間の祝日を取得できる
    holidays = jpholiday.between(split_day, end_day)

    # 祝日以外の日付を保存するデータフレームを用意しておく
    future_no_holidays = future_no_weekend.copy()

    # 祝日以外の日付を抽出する
    for i, _ in enumerate(holidays):
        future_no_holidays = future_no_holidays[future_no_weekend['ds'] != holidays[i][0]]

    # cap,floorを設定する
    future_no_holidays['cap'] = 8500
    future_no_holidays['floor'] = 0

    # 予測する
    forecast = m1.predict(future_no_holidays)

    # forecastから予測部分yhatのみ抽出する
    # 2020-11-10から2020-12-30の期間で株取引が行われた日数は36日となる
    ypred = forecast[-36:][['yhat']].values

    # ytest:予測期間中の正解データを抽出する
    ytest = x_test['y'].values

    # R2値,RMSEを計算する
    score_r2 = r2_score(ytest, ypred)
    score_rmse = np.sqrt(mean_squared_error(ytest, ypred))

    # R2,RMSEの計算結果を表示する
    print(f'R2 score:{score_r2:.4f}')
    print(f'RMSE score:{score_rmse:.4f}')

    end = time.time() - start

    # 結果を保存する
    result = result.append({'elapsed_time': round(end, 4),
                        'R2': score_r2,
                        'RMSE': score_rmse,
                        'yearly_seasonality': p['yearly_seasonality'],
                        'weekly_seasonality': p['weekly_seasonality'],
                        'daily_seasonality': p['daily_seasonality'],
                        'changepoint_prior_scale': p['changepoint_prior_scale'],
                        'changepoint_range': p['changepoint_range'],
                        'seasonality_prior_scale': p['seasonality_prior_scale'],
                        'monthly_fourier': p['monthly_fourier'],
                        'monthly_prior': p['monthly_prior'],
                        'quarterly_fourier': p['quarterly_fourier'],
                        'quarterly_prior': p['quarterly_prior']},
                       ignore_index=True)

# グリッドサーチした結果をCSVに書き込む
now = datetime.now()
f_time = now.strftime('%Y%m%d-%H%M%S')

# 検証結果をcsvに保存する
result.to_csv('./result/result_{}.csv'.format(f_time), index=False, encoding='utf_8_sig')

# グリッドサーチを行うためのライブラリを読み込む
from sklearn.model_selection import ParameterGrid

# グリッドサーチする探索範囲を辞書型で設定する
params = {'changepoint_prior_scale': [0.4, 0.5, 0.6],
          'changepoint_range': [0.8, 0.9, 1.0],
          'seasonality_prior_scale': [2.0, 3.0, 4.0],
          'yearly_seasonality': [10, 20, 30, 40, 50],
          'weekly_seasonality': [10, 20, 30, 40, 50],
          'monthly_fourier': [3, 4, 5],
          'monthly_prior': [0.5, 1.0, 1.5],
          'quarterly_fourier': [3, 4, 5],
          'quarterly_prior': [0.5, 1.0, 1.5],
          'daily_seasonality': [False]}

# 探索範囲として設定した値をgridにセットする
grid = ParameterGrid(params)

# グリッドサーチの結果を保存するデータフレームを用意する
result = pd.DataFrame(columns=['elapsed_time',
                               'R2',
                               'RMSE',
                               'changepoint_prior_scale',
                               'changepoint_range',
                               'seasonality_prior_scale',
                               'monthly_fourier',
                               'monthly_prior',
                               'quarterly_fourier',
                               'quarterly_prior'])

# 結果を保存する
result = result.append({'elapsed_time': round(end, 4),
                    'R2': score_r2,
                    'RMSE': score_rmse,
                    'yearly_seasonality': p['yearly_seasonality'],
                    'weekly_seasonality': p['weekly_seasonality'],
                    'daily_seasonality': p['daily_seasonality'],
                    'changepoint_prior_scale': p['changepoint_prior_scale'],
                    'changepoint_range': p['changepoint_range'],
                    'seasonality_prior_scale': p['seasonality_prior_scale'],
                    'monthly_fourier': p['monthly_fourier'],
                    'monthly_prior': p['monthly_prior'],
                    'quarterly_fourier': p['quarterly_fourier'],
                    'quarterly_prior': p['quarterly_prior']},
                   ignore_index=True)

# グリッドサーチした結果をCSVに書き込む
now = datetime.now()
f_time = now.strftime('%Y%m%d-%H%M%S')

# 検証結果をcsvに保存する
result.to_csv('./result/result_{}.csv'.format(f_time), index=False, encoding='utf_8_sig')