含间隙的股票时间序列数据在PyCaret中的建模方案咨询

一、PyCaret时间序列模块的适配方法 #

PyCaret时序模块默认要求序列为规则频率且无间隙，但股票交易日属于仅工作日的不规则频率，可通过以下两种方式适配：

1. 直接使用不规则频率序列 #

PyCaret支持标记不规则频率的时序数据，只需初始化时设置freq=None，同时确保日期列已排序：

from pycaret.time_series import TSForecastingExperiment

# 确保数据按日期排序
ps0pyc = ps0pyc.sort_values('Date').reset_index(drop=True)

# 初始化实验，指定不规则频率
exp = TSForecastingExperiment()
exp.setup(data=ps0pyc, target='PORTVAL', index='Date', freq=None)

此方法无需填充缺失值，适配XGBoost、LightGBM等天然支持不规则时序的模型。

2. 转换为工作日规则序列 #

若需使用ARIMA、Prophet这类依赖规则频率的模型，可将数据转换为B（工作日）频率，自动跳过周末/节假日，再通过填充处理非交易日的缺失：

# 将日期设为索引，按工作日频率对齐
ps0pyc = ps0pyc.set_index('Date').asfreq('B')

# 初始化实验，用迭代填充处理缺失值
exp = TSForecastingExperiment()
exp.setup(data=ps0pyc, target='PORTVAL', imputation_type='iterative')

二、替代建模方案 #

1. 使用支持不规则时序的工具直接建模 #

• XGBoost/LightGBM：提取日期特征（年、月、星期几、是否月初/月末等），将时序问题转化为监督回归任务训练模型。
• Prophet：天然适配带间隙的时序，直接传入原始日期和目标值即可：

  from prophet import Prophet
  
  # 转换为Prophet要求的列名：ds（日期）、y（目标值）
  df_prophet = ps0pyc.rename(columns={'Date':'ds', 'PORTVAL':'y'})
  model = Prophet()
  model.fit(df_prophet)
  # 生成未来30个工作日的预测数据
  future = model.make_future_dataframe(periods=30, freq='B')
  forecast = model.predict(future)
  

2. 降采样为低频率规则序列 #

若无需日度预测，可将数据降采样为周度、月度或季度数据，自然消除间隙：

# 降采样为月度数据，取每月最后一个交易日的数值
ps0_monthly = ps0pyc.set_index('Date').resample('M').last().reset_index()

# 直接用PyCaret建模
exp = TSForecastingExperiment()
exp.setup(data=ps0_monthly, target='PORTVAL', index='Date', freq='M')

3. 手动填充缺失值后使用PyCaret #

若必须用连续日度序列，可手动填充非交易日的缺失值：

• 前向填充（适合股票价格这类连续性数据）：

  ps0_filled = ps0pyc.set_index('Date').asfreq('D').ffill().reset_index()
  

• 线性插值（适合渐变趋势的数据）：

  ps0_filled = ps0pyc.set_index('Date').asfreq('D').interpolate(method='linear').reset_index()
  

填充完成后即可正常使用PyCaret时序模块。

内容的提问来源于stack exchange，提问作者swagdevotee008