ARIMA模型预测汇率输出NaN问题排查及任务求助

任务目标 #

• 基于交易日收盘数据构建俄罗斯卢布对埃及英镑的汇率走势图
• 选择最优ARIMA模型预测后续汇率值
• 将预测结果可视化并得出结论

现存问题 #

• 运行代码输出预测值时出现NaN，已确认原始数据无缺失但无法解决
• 当前代码错误处理**卢布对挪威克朗（NOK）**的数据，与任务要求的卢布对埃及英镑不符

问题排查与修正方案 #

1. 数据匹配错误修正 #

首先从数据文件中筛选**埃及英镑（EGP）**的对应数据，替换原代码中筛选NOK的逻辑：

# 原筛选NOK的代码替换为：
if row[0] == 'EGP':
    dates.append(pd.to_datetime(int(row[2]), format='%Y%m%d'))
    rub_to_egp.append(float(row[6]))

同时修改数据框列名，确保一致性：

data = pd.DataFrame({'Date': dates, 'RUB_to_EGP': rub_to_egp})

2. NaN预测值排查与解决 #

预测出现NaN的核心原因及修复方式：

• 阶数选择不当：原代码直接使用(3,1,0)阶数，未通过数据特征确定最优参数。建议用pmdarima的auto_arima自动筛选：

  from pmdarima import auto_arima
  stepwise_fit = auto_arima(data['RUB_to_EGP'], trace=True, suppress_warnings=True)
  model = sm.tsa.ARIMA(data['RUB_to_EGP'], order=stepwise_fit.order)
  

• 日期频率不匹配：原预测用freq='D'（自然日），但汇率数据仅包含交易日，应改用freq='B'（工作日频率）：

  forecast_index = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=30, freq='B')
  

• 模型收敛问题：若拟合时出现警告，可增加迭代次数：

  model_fit = model.fit(maxiter=500)
  

3. 可视化修正 #

修正图表标题、坐标轴标签，匹配任务主题：

plt.title('俄罗斯卢布对埃及英镑汇率走势及ARIMA预测')
plt.xlabel('日期')
plt.ylabel('1埃及英镑兑换卢布数')

完整修正代码 #

import matplotlib.pyplot as plt
import pandas as pd
import csv
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
from pmdarima import auto_arima

def tundra():
    print('1 - 显示图表')
    print('2 - 保存图表')
    oi = input('选择操作: ')
    if oi == '1':
        plt.show()
    elif oi == '2':
        po = input('输入保存文件名: ')
        plt.savefig(f'{po}.jpg')
        print(f'图表已保存为 {po}.jpg')
    else:
        print('输入无效，请重新选择')
        tundra()

dates = []
rub_to_egp = []

# 读取数据并筛选埃及英镑数据，跳过格式错误行
with open('D:\\Teleegram dw\\mfdexport_1month_01012014_30082024.csv', 'r') as csvfile:
    plots = csv.reader(csvfile, delimiter=';')
    next(plots)
    for row in plots:
        if row[0] == 'EGP':
            try:
                dates.append(pd.to_datetime(int(row[2]), format='%Y%m%d'))
                rub_to_egp.append(float(row[6]))
            except ValueError:
                continue

# 构建数据框并处理缺失值
data = pd.DataFrame({'Date': dates, 'RUB_to_EGP': rub_to_egp})
data.set_index('Date', inplace=True)
print("检查数据中的NaN:")
print(data.isnull().sum())
data.dropna(inplace=True)

print("\n数据信息:")
print(data.info())
print("\n数据前5行:")
print(data.head())

# 平稳性检验
result = adfuller(data['RUB_to_EGP'])
print('\nDickey-Fuller 平稳性检验结果:')
print('统计量: %f' % result[0])
print('p值: %f' % result[1])
print('临界值:')
for key, value in result[4].items():
    print(f'    {key}: {value}')

# 自动筛选最优ARIMA模型
print('\n自动筛选最优ARIMA模型...')
stepwise_fit = auto_arima(data['RUB_to_EGP'], trace=True, suppress_warnings=True, seasonal=False)
print('\n最优模型摘要:')
print(stepwise_fit.summary())

# 拟合模型并预测
model = sm.tsa.ARIMA(data['RUB_to_EGP'], order=stepwise_fit.order)
model_fit = model.fit(maxiter=500)
forecast = model_fit.forecast(steps=30)
forecast_index = pd.date_range(start=data.index[-1] + pd.Timedelta(days=1), periods=30, freq='B')
forecast_df = pd.DataFrame(forecast, index=forecast_index, columns=['Forecast'])

print("\n预测结果:")
for index, row in forecast_df.iterrows():
    print(f"日期: {index.strftime('%Y-%m-%d')}, 预测汇率: {row['Forecast']:.4f}")

# 可视化
plt.figure(figsize=(25, 12), facecolor='grey')
plt.gca().set_facecolor('black')
plt.plot(data.index, data['RUB_to_EGP'], label='实际汇率 RUB/EGP', color='white', alpha=0.5, linewidth=2)
plt.plot(forecast_df.index, forecast_df['Forecast'], label='ARIMA预测值', color='blue', linewidth=2, linestyle='--')
plt.title('俄罗斯卢布对埃及英镑汇率走势及ARIMA预测')
plt.xlabel('日期')
plt.ylabel('1埃及英镑兑换卢布数')
plt.legend()
plt.grid(color='white', alpha=0.3)

tundra()

结论 #

1. 数据匹配错误是核心问题之一，必须确保筛选EGP而非NOK的数据
2. 使用auto_arima自动选择最优阶数，可避免手动选阶不当导致的预测NaN问题
3. 预测日期使用工作日频率（freq='B'）更符合汇率交易日规律，减少模型适配误差
4. 增加格式错误行的跳过逻辑，可提升数据质量，避免模型拟合失败

内容的提问来源于stack exchange，提问作者Faded Deer