时间序列分析之：函数分解decompose

时间序列分析——函数分解

第一篇 函数分解
函数分解decompose

前言

这几天一直在深思，如何建立一个和实际比较贴切的金融模型，能反映现实生活？比如我们听到国家又放水了，我们可以预期物价又得上涨了，但是如何通过模型来反映这种相关关系呢？
伙伴杨RC说用EXCEL建了个模型来预测本期深圳车牌竞价，以达到最小的成本拍到车牌，这个想法不错，Good lucky to my brother。
简单的模型可以用EXCEL，复杂的模型就得使用python。
随着人工智能的不断发展，机器学习越来越重要，我们的目标是让机器进行数据分析，发现一些特性和趋势。本文就介绍时间序列分析的基础。

一、函数分解是什么？

说白了就是拆分信号。刚好函数分解和我们想要建立的模型有点吻合：environment大趋势 + company的周期性波动 + market的高斯扰动。
当然后续我们会引入相关性分析、情感分析等要素。

二、建立分解函数

1.功能

分解函数成三部分：趋势、周期、和剩余部分（一般指噪声，均值为0）
分解就是将时序数据分离成不同的成分，分解有：长期趋势Trend、季节性seasonality和随机残差residuals
返回包含三个部分 trend（趋势部分） ， seasonal（季节性部分） 和residual (残留部分)
传入：一个序列，可以是时间序列
输出：趋势、周期、和剩余部分 三部分
函数详解地址：链接
所以，我们建立一个python文件，命名为compose.py ,方便后续函数进行调用。
代码如下：

# 功能：分解函数成三部分：趋势、周期、和剩余部分（一般指噪声）
# 分解就是将时序数据分离成不同的成分，分解有：长期趋势Trend、季节性seasonality和随机残差residuals
# 返回包含三个部分 trend（趋势部分） ， seasonal（季节性部分） 和residual (残留部分)
# 创建时间：2021-01-15
# 传入：一个序列
# 输出：趋势、周期、和剩余部分 三部分
# 函数详解地址：https://machinelearningmastery.com/decompose-time-series-data-trend-seasonality/
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt

def decompose(timeseries,frequence):
    # 传入数列和频率数
    # 返回包含三个部分 trend（趋势部分） ， seasonal（季节性部分） 和residual (残留部分)
    # statsmodels也支持两类分解模型，加法模型和乘法模型，model的参数设置为"additive"（加法模型）和"multiplicative"（乘法模型）。
    # period：int, optional，系列的时期。如果x不是pandas对象或x的索引没有频率，则必须使用。如果x是具有时间序列索引的pandas对象，则覆盖x的默认周期性
    # decomposition = seasonal_decompose(timeseries,model='multiplicative',freq=frequence)
    decomposition = seasonal_decompose(timeseries, model='additive', freq=frequence)
    trend = decomposition.trend
    seasonal