如何基于多阶平均股票数据预测原始股价未来走势？

我正在开发一款股票价格预测器，已完成大部分开发工作，但最后一步遇到瓶颈。现有原始股价数据：stockprice =[1, 2, 3, ... 9999]，通过以下代码生成多阶平均股票数据：

#how it works up to now:
stockprice =[1, 2, 3, ... 9999]

#for every number in stock price, add that number till x amount(x would be input) numbers and divide them (calculate average)
StockDataSeperate = StockData_AverageFinder[-int_toSplitBy:-1]
for num in StockDataSeperate:
    Average += num
Average = Average / len(StockDataSeperate)
Averaged_StockData = np.append(Averaged_StockData, Average)

#doing this x amount of times and exponentiating the number to average by, by x.

请问能否利用这些平均股价数据预测原始股价的未来走势？若有相关思路，恳请告知！

可以利用这类多阶平均数据预测原始股价走势，以下是具体可行的思路方向：

1. 经典时间序列建模思路 #

• 移动平均模型扩展：你当前生成的多阶平均本质是多次迭代的移动平滑数据，可直接作为时间序列特征输入ARIMA、SARIMA等模型。这类模型能学习平滑数据的趋势规律，结合原始股价的波动特性，反向推导未来股价的可能区间。
• 指数平滑融合：如果多阶平均是类似加权迭代的形式，可以和Holt-Winters指数平滑法结合，先对平滑数据的趋势、季节性成分建模，再映射回原始股价的波动逻辑。

2. 机器学习/深度学习方向 #

• 多特征融合建模：将不同阶数的平均数据作为核心特征，搭配原始股价的日涨跌幅、成交量等辅助特征，输入到随机森林、XGBoost等树模型中，让模型自主学习平均数据与未来股价的关联模式。
• 序列特征联合建模：把原始股价序列和多阶平均序列拼接成多维度输入序列，用LSTM或Transformer模型捕捉两类序列间的长期依赖关系。这类模型能同时兼顾原始数据的短期波动和平均数据的长期趋势，提升预测稳定性。

3. 关键注意事项 #

• 避免过度平滑损失信息：多次迭代平均会过滤掉原始数据的波动细节，建议保留不同阶数的平均结果作为多维度特征，而非只使用最高阶的平滑数据。
• 采用时间序列专用验证方式：必须使用滚动验证（时间切片验证），禁止随机划分训练测试集，防止数据泄露导致的虚假高准确率。

内容的提问来源于stack exchange，提问作者user19564905