[AI Google] TimesFM:AI预测股市价格,能否助我财务自由?

avatar
作者
猴君
阅读量:3

今天我偶然发现了一个名为TimesFM的模型,它能够预测时间序列数据。于是我心中冒出了一个大胆的想法:如果这个模型可以预测股票价格,那么我是否能借此成为股神呢?

介绍

TimesFM(时间序列基础模型)是由谷歌研究院开发的一个预训练模型,专用于时间序列预测。它的强大功能和应用前景引起了我的浓厚兴趣。

安装

要开始使用TimesFM,你需要按照以下步骤安装环境:

conda env create --file=environment.yml conda env create --file=environment_cpu.yml  conda activate tfm_env pip install -e . 

代码

以下是一个完整的代码示例,展示了如何使用TimesFM模型来预测股票价格:

import datetime import yfinance as yf import matplotlib.pyplot as plt import numpy as np import pandas as pd import time from datetime import date from timesfm import TimesFm from huggingface_hub import login import matplotlib.pyplot as plt  # 给定需要处理的股票代码,上海票以.ss结尾,深圳票以.sz结尾 start = date(2020, 1, 1)  # 使用date类创建日期对象 end = date(2024, 1, 1)  # 指定结束日期为2024年1月1日 codelist = ["000001.ss"]  # 增加错误重试机制的下载数据部分 for retry in range(3):  # 尝试下载最多3次     try:         data2 = yf.download(codelist, start=start, end=end)         # 数据预处理         data2 = data2['Adj Close'].dropna()  # 使用调整结算价格删除缺损值         if not data2.empty:             break  # 成功下载并处理数据,跳出循环     except Exception as e:         print(f"下载失败,第{retry+1}次尝试。错误:{e}")         if retry < 2:  # 在最后一次尝试前等待             time.sleep(5)  # 等待5秒后重试  if data2.empty:     raise ValueError("数据为空,请更改时间区间再试一次或检查网络连接。")  context_len = 512  # 设置上下文长度 horizon_len = 256  # 设置预测期间的长度  if len(data2) < context_len:     raise ValueError(f"数据长度小于上下文长度({context_len})")  context_data = data2[-context_len:]  # 使用最近512天的数据作为上下文  # 初始化和导入TimesFM模型 tfm = TimesFm(     context_len=context_len,     horizon_len=horizon_len,     input_patch_len=32,     output_patch_len=128,     num_layers=20,     model_dims=1280,     backend='cpu',  # 修改这里,将'gpu'改为'cpu' )  # 登录Hugging Face Hub,此处****需替换成自己的Hugging token login("*****")  tfm.load_from_checkpoint(repo_id="google/timesfm-1.0-200m")  # 准备数据 forecast_input = [context_data.values] frequency_input = [0]  #设置数据频率(0是高频率数据)  # 运行预测 point_forecast, experimental_quantile_forecast = tfm.forecast(     forecast_input,     freq=frequency_input, )  # 设置图表尺寸为24*12英寸 plt.figure(figsize=(24, 12))  forecast_dates = pd.date_range(start=data2.index[-1] + pd.Timedelta(days=1), periods=horizon_len, freq='B') forecast_series = pd.Series(point_forecast[0], index=forecast_dates)  # 添加部分:获取并绘制2024.1.1到当前时间的实际价格数据 current_date = datetime.datetime.now().date() data_recent = yf.download(codelist, start=date(2024, 1, 1), end=current_date)  if not data_recent.empty:     data_recent = data_recent['Adj Close'].dropna()     plt.plot(data_recent.index, data_recent.values, label="Actual Prices (2024-Now)")  # 创建或更新图表(如果前面已有图表,这里是更新) plt.plot(data2.index, data2.values, label="Actual Prices") plt.plot(forecast_series.index, forecast_series.values, label="Forecasted Prices") plt.xlabel("Date") plt.ylabel("Price") plt.title(f"Price Compare & Forecast for {codelist[0]}") plt.legend()  # 保存图表到文件,确保尺寸更改已生效 plt.savefig(f'{codelist[0]}_compare.png', bbox_inches='tight')   # 显式关闭当前图表 plt.close(fig='all') 

例图

最后,我运行了上涨指数和沪深300指数的预测,并生成了一些效果图:

上证指数

沪深300指数

结论

尽管TimesFM模型在一定程度上展示了其预测能力,但最终的效果仍未达到预期。看来,想通过预测股票价格实现财务自由还需更加努力,或许我还是得继续好好工作。


广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!