在上一篇中，我們探討了自動ARIMA，但是好像表現的還是不夠完善，接下來看看先知的力量！
先知（Prophet）
有許多時間序列技術可以用在股票預測數據集上，但是大多數技術在擬合模型之前需要大量的數據預處理。Prophet（先知）由Facebook設計和開發，是一個時間序列預測庫，不需要數據預處理，並且非常容易實現。先知的輸入是一個帶有兩列的數據框:日期和目標(ds和y)。
時間序列預測一直是預測問題中的難點，人們很難找到一個適用場景豐富的通用模型，這是因為現實中每個預測問題的背景知識，例如數據的產生過程，往往是不同的，即使是同一類問題，影響這些預測值的因素與程度也往往不同，再加上預測問題往往需要大量專業的統計知識，這又給分析人員帶來了難度，這些都使得時間序列預測問題變得尤其復雜。傳統的時間序列預測方法通常有如下缺陷：
1. 適用的時序數據過於局限
2. 缺失值需要填補
3. 模型缺乏靈活性
4. 指導作用較弱
2017年2月24號facebook開源了時間序列預測框架prophet，目前支持R語言和python語言。托管在github上：https://github.com/facebookincubator/prophet。prophet是基於可分解（趨勢+季節+節假日）模型的開源庫，Prophet充分的將業務背景知識和統計知識融合起來，它讓我們可以用簡單直觀的參數進行高精度的時間序列預測，並且支持自定義季節和節假日的影響。
Prophet官方文檔：https://facebook.github.io/prophet/
Prophet論文：https://peerj.com/preprints/3190/
Prophet-github:https://github.com/facebook/prophet
先知試圖在過去的數據中捕捉季節性，並且在數據集很大的時候依然表現良好。
#importing prophet 導入庫函數
from fbprophet import Prophet
#creating dataframe 建立新的數據集框架，以長度為索引，取date和close這兩列
new_data = pd.DataFrame(index=range(0,len(df)),columns=['Date', 'Close'])
#給這個框架灌輸數據
for i in range(0,len(data)):
new_data['Date'][i] = data['Date'][i]
new_data['Close'][i] = data['Close'][i]
#對於數據內容表現形式的轉換，這里是轉化為年-月-日的格式，同時建立以這個時間的索引
new_data['Date'] = pd.to_datetime(new_data.Date,format='%Y-%m-%d')
new_data.index = new_data['Date']
#preparing data對數據集的列名重命名
new_data.rename(columns={'Close': 'y', 'Date': 'ds'}, inplace=True)
#train and validation划分訓練集和測試集
train = new_data[:987]
valid = new_data[987:]
#fit the model建立模型，給模型喂訓練集
model = Prophet()
model.fit(train)
#predictions 預測，make_future_datafram是庫自帶的函數，新建一個數據框，指明需要預測到將來多長時間
close_prices = model.make_future_dataframe(periods=len(valid))
forecast = model.predict(close_prices)
結果
#rmse 計算rms
forecast_valid = forecast['yhat'][987:]
rms=np.sqrt(np.mean(np.power((np.array(valid['y'])-np.array(forecast_valid)),2)))
rms
57.494461930575149
#plot 繪圖（老三樣）
valid['Predictions'] = 0
valid['Predictions'] = forecast_valid.values
plt.plot(train['y'])
plt.plot(valid[['y', 'Predictions']])
推論
先知(像大多數時間序列預測技術一樣)試圖從過去的數據中捕捉趨勢和季節性。該模型通常在時間序列數據集上表現良好，但在本例中沒有達到預期效果。
事實證明，股票價格沒有特定的趨勢或季節性。價格的漲跌很大程度上取決於目前市場上的情況。因此，像ARIMA、SARIMA和Prophet這樣的預測技術並不能很好地解決這個特殊的問題。
跟多的關於理論的知識，你可以訪問
https://blog.csdn.net/h4565445654/article/details/78398089 fbProphe時序預測----論文總結以及調參思路
http://blog.51cto.com/13591395/2066888 騰訊技術工程 | 基於Prophet的時間序列預測