[Introduction à Pandas] J'ai essayé d'augmenter les données d'échange par interpolation de données ♬

Concernant l'interpolation des données, nous avons déjà traité des données de séries chronologiques ordinaires. Cette fois, en interpolant les données quotidiennes à des fins de backtesting, nous avons créé des données de 6 heures, 4 heures, 1 heure et 10 minutes et vérifié leur exactitude.

Ce que j'ai fait

・ Formule d'interpolation de Lagrange ・ Interpolation des données Pandas ・ Création de données de 6 heures à 10 minutes ・ Voir la précision

・ Formule d'interpolation de Lagrange

【référence】 ・ [Interpolation] Interpolation de l'interpolation linéaire à l'interpolation quadratique et à l'interpolation de Lagrange ♬ Tout d'abord, la fonction d'interpolation linéaire passant par (x0, y0), (x1, y1) peut être calculée par la fonction suivante.

def interpolation(x0,y0,x1,y1,x):
    dn = (x0-x1)
    return y0*(x-x1)/dn + y1*(x0-x)/dn
#Lagrange interpolation
# y0*(x-x1)/(x0-x1)+y1*(x-x0)/(x1-x0)

Une fonction d'interpolation quadratique qui passe par trois points (x0, y0), (x1, y1), (x2, y2) peut être calculée comme suit.

def interpolation2(x0,y0,x1,y1,x2,y2,x):
    dn1 = (x0-x1)*(x0-x2)
    dn2 = (x1-x2)*(x1-x0)
    dn3 = (x2-x0)*(x2-x1)
    return y0*(x-x1)*(x-x2)/dn1+y1*(x-x2)*(x-x0)/dn2+y2*(x-x0)*(x-x1)/dn3

En combinant ces derniers, si le traitement du point final est une fonction qui passe par les deux points ci-dessus et que les autres fonctions qui passent par trois points sont utilisées, la fonction qui interpole 10 points entre les deux points est la suivante.

m=10
sigxm=np.zeros(m*pitch-(m-1))
sigxm[0]=y[0]
sigxm[m*pitch-m]=y[pitch-1]
for i in range(1,m*pitch-m,1):
    if i%m==0:
        sigxm[i]=y[int(i/m)]
    if i > m*pitch-(2*m+1):
        sigxm[i] = interpolation(int(i/m),y[int(i/m)],int(i/m)+1,y[int(i/m)+1],int(i/m)+(i%m)/m)
    else:
        sigxm[i] = interpolation2(int(i/m),y[int(i/m)],int(i/m)+1,y[int(i/m)+1],int(i/m)+2,y[int(i/m)+2],int(i/m)+(i%m)/m)

La dernière fois, j'ai dit qu'une interpolation d'ordre n est également possible, mais en interpolation réelle, une fonction lisse est obtenue avec la fonction ci-dessus qui combine une interpolation quadratique, donc j'adopterai cette fois également la fonction ci-dessus. Cette fois, en remplaçant la variable y de cette fonction par des données Pandas, nous créerons des données d'interpolation pour les données d'échange et de stock.

・ Interpolation des données Pandas

À partir de la conclusion, les fonctions d'interpolation linéaire et d'interpolation quadratique ne changent pas. Ensuite, le calcul du point de division m peut être calculé par la fonction suivante. Tout d'abord, lisez les données d'échange avec pandas.DataReader.

df=DataReader.get_data_yahoo("{}".format("JPY=X"),start,end)

Ensuite, si vous remplacez y par df ["Fermer"] et calculez séquentiellement comme indiqué ci-dessous, vous pouvez également calculer les données Pandas.

m=24
sigxm=np.zeros(m*pitch-(m-1))
sigxm[0]=df["Close"][0]
sigxm[m*pitch-m]=df["Close"][pitch-1]
for i in range(1,m*pitch-m,1):
    if i%m==0:
        sigxm[i]=df["Close"][int(i/m)]
    if i > m*pitch-(2*m+1):
        sigxm[i] = interpolation(int(i/m),df["Close"][int(i/m)],int(i/m)+1,df["Close"][int(i/m)+1],int(i/m)+(i%m)/m)
    else:
        sigxm[i] = interpolation2(int(i/m),df["Close"][int(i/m)],int(i/m)+1,df["Close"][int(i/m)+1],int(i/m)+2,df["Close"][int(i/m)+2],int(i/m)+(i%m)/m)

dfsigxm = pd.DataFrame()
dfsigxm["sig"] = sigxm
date_df=dfsigxm['sig'].index.tolist()
plot_fig(date_df,dfsigxm,m,end)

Ensuite, dfsigxm calculé en changeant m par la fonction ci-dessus est tracé par la fonction plot_fig (data_df, dfsig, m, end) suivante.

def plot_fig(data_df,dfsig,m,end):
    fig, (ax1,ax2) = plt.subplots(2,1,figsize=(1.6180 * 8, 4*2),dpi=100)
    ax1.plot(date_df[0:],dfsig["sig"][0:])
    ax2.plot(date_df[0:32*m],dfsig["sig"][0:32*m])
    ax1.grid()
    ax2.grid()
    plt.pause(1)
    plt.savefig("./fx/{}_{}_{}_{}_.png ".format(m,"interpolate","JPN=X",end))
    plt.close()

・ Création de données de 6 heures à 10 minutes

Vous pouvez calculer 6 heures de données avec m = 4, 4 heures avec m = 6, 1 heure avec m = 24 et 10 minutes avec m = 24 * 6. Les résultats sont les suivants. Puisque m = 1 est un graphique droit, les points finaux restent, mais à part cela, il n'y a presque aucun changement, y compris la vue agrandie ci-dessous, mais la densité du tracé a augmenté, et si vous regardez de près, les nombres sur l'axe horizontal ont augmenté Je comprends.

・ Voir la précision

Il est facile de le comparer avec la barre réelle de 10 minutes, mais il semble qu'aucun site ne puisse l'obtenir.

Résumé

・ Des données de 6 heures, 4 heures, 1 heure et 10 minutes ont été créées en acquérant des données d'échange quotidiennes avec des pandas et en les interpolant. ・ Une chaîne de données fluide a été créée

・ Malheureusement, il n'a pas été possible de comparer et de vérifier avec les données réelles.

Code entier

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import pandas_datareader.data as DataReader
import datetime as dt

def plot_fig(data_df,dfsig,m,end):
    fig, (ax1,ax2) = plt.subplots(2,1,figsize=(1.6180 * 8, 4*2),dpi=100)
    ax1.plot(date_df[0:],dfsig["sig"][0:],"o-")
    ax2.plot(date_df[0:32*m],dfsig["sig"][0:32*m],"o-")
    ax1.grid()
    ax2.grid()
    plt.pause(1)
    plt.savefig("./fx/{}_{}_{}_{}_.png ".format(m,"interpolate","JPN=X",end))
    plt.close()

def interpolation(x0,y0,x1,y1,x):
    return y0 + (y1 - y0) * (x - x0) / (x1 - x0)

def interpolation2(x0,y0,x1,y1,x2,y2,x):
    dn1 = (x0-x1)*(x0-x2)
    dn2 = (x1-x2)*(x1-x0)
    dn3 = (x2-x0)*(x2-x1)
    return y0*(x-x1)*(x-x2)/dn1+y1*(x-x2)*(x-x0)/dn2+y2*(x-x0)*(x-x1)/dn3

def calc_interpolate(df,pitch,m):
    sigxm=np.zeros(m*pitch-(m-1))
    sigxm[0]=df["Close"][0]
    sigxm[m*pitch-m]=df["Close"][pitch-1]
    for i in range(1,m*pitch-m,1):
        if i%m==0:
            sigxm[i]=df["Close"][int(i/m)]
        if i > m*pitch-(2*m+1):
            sigxm[i] = interpolation(int(i/m),df["Close"][int(i/m)],int(i/m)+1,df["Close"][int(i/m)+1],int(i/m)+(i%m)/m)
        else:
            sigxm[i] = interpolation2(int(i/m),df["Close"][int(i/m)],int(i/m)+1,df["Close"][int(i/m)+1],int(i/m)+2,df["Close"][int(i/m)+2],int(i/m)+(i%m)/m)
    return sigxm        

start = dt.date(2020,1,1)
end = dt.date(2020,6,15)
df=DataReader.get_data_yahoo("{}".format("JPY=X"),start,end)

m=1
dfsigxm = pd.DataFrame()
dfsigxm["sig"] = df["Close"]
print(dfsigxm)
date_df=dfsigxm['sig'].index.tolist()
plot_fig(date_df,dfsigxm,m,end)

m=4
pitch = len(df)
sigx2=calc_interpolate(df,pitch,m)
dfsigx2 = pd.DataFrame()
dfsigx2["sig"] = sigx2
print(dfsigx2)
date_df=dfsigx2['sig'].index.tolist()
plot_fig(date_df,dfsigx2,m,end)

m=6
sigxm=calc_interpolate(df,pitch,m)
dfsigxm = pd.DataFrame()
dfsigxm["sig"] = sigxm
print(dfsigxm)
date_df=dfsigxm['sig'].index.tolist()
plot_fig(date_df,dfsigxm,m,end)

m=24
sigxm=calc_interpolate(df,pitch,m)
dfsigxm = pd.DataFrame()
dfsigxm["sig"] = sigxm
print(dfsigxm)
date_df=dfsigxm['sig'].index.tolist()
plot_fig(date_df,dfsigxm,m,end)

m=24*6
sigxm=calc_interpolate(df,pitch,m)
dfsigxm = pd.DataFrame()
dfsigxm["sig"] = sigxm
print(dfsigxm)
date_df=dfsigxm['sig'].index.tolist()
plot_fig(date_df,dfsigxm,m,end)