Utilizando o Facebook Prophet - parte 1

Olá! Nesta primeira parte do artigo quero mostrar a todos como utilizar o Facebook Prophet e, para isso, utilizarei o Google Colaboratory para fazer os códigos.

Para quem não sabe o Facebook Prophet é uma biblioteca de código aberto desenvolvida pelo Facebook, atual Meta, que pode ser utilizada no Python ou R para previsão de séries temporais.

Então, para esse experimento vamos coletar os dados da Bovespa com o Yahoo Query e, em seguida, utilizar o Prophet para criar um modelo de previsão da bolsa de valores.

Observação: Aqui na Prensa não há uma caixa específica para escrevermos códigos em Python, então, para facilitar a compreensão, eu deixei os códigos em Python em negrito. 

Introdução

Nesta primeira parte iremos coletar os dados e em seguida transformá-los para ficar em conformidade com o que o Prophet pede.

Vamos começar instalando as bibliotecas Yahoo Query e FbProphet da seguinte forma:

!pip install yahooquery

!pip install fbprophet

Após a instalação, vamos importar as bibliotecas:

• fbprophet: Para criarmos o nosso algoritmo de previsão

• yahooquery: Para coletarmos os dados das ações

• pandas: Para manipularmos dataframes.

Então, vamos utilizar o código a seguir:

from fbprophet import Prophet

from yahooquery import Ticker

import pandas as pd

Vamos coletar os dados da Bovespa com o código BOVA11.SA. Para isso, vamos escrever o código a seguir:

simbolo = "BOVA11.SA"

inicio = "2010-01-01"

fim = "2020-01-01"

ticket = Ticker(simbolo)

data = ticket(start=inicio, end= fim)

Vamos entender o que acabamos de fazer:

• Primeira linha: declaramos uma variável do tipo string com o símbolo da empresa que desejamos coletar os dados.

• Segunda linha: declaramos uma string com a data de início da coleta dos dados que, neste caso, é 1º de janeiro de 2010.

• Terceira linha: declaramos uma string com a data de término da coleta dos dados que, neste caso, é 1º de janeiro de 2020.

• Quarta linha: instanciamos a classe Ticker do yahooquery passando como parâmetro o simbolo da ação que desejamos coletar.

• Quinta linha: declaramos um variável que irá receber os dados coletados na forma de um dataframe.

Utilizando o comando dataframe.head() serão exibidas as 5 primeiras linhas do dataframe, conforme mostrado na figura a seguir:

Figura 1: DataFrame com os valores das ações da Bovespa

Porém, esse dataframe é um dataframe multindex, ou seja, ele possui um índice interno e outro externo. Vamos alterar para conseguirmos manipular esse dataframe mais facilmente. Para isso, vamos utilizar o seguinte código:

dataframe.reset_index(inplace=True)

O resultado deste código pode ser visto na figura a seguir:

Figura 2: DataFrame com os índices transformados em colunas. 

Agora, iremos criar um novo dataframe com as datas e com a coluna que desejamos utilizar em nossa previsão, que, nesse caso, é a coluna close:

bova = dataframe[["date","close"]]

Com isso temos um novo dataframe, com apenas duas colunas. Antes de partirmos para a previsão, precisaremos fazer uma última modificação em nosso dataframe, pois o Prophet espera receber um dataframe com duas colunas chamadas ds para a coluna das datas e y para a coluna dos valores a serem previstos. Então, vamos fazer as mudanças:

bova.columns = ["ds","y"]

E, com isso, conseguimos encerrar o nosso pré-processamento dos dados. Na próxima parte, vamos começar a trabalhar com o Prophet.

Profeta Preveja!

Agora que já temos os nossos dados prontos para serem utilizados, vamos começar com a criação do modelo.

Para isso, vamos começar instanciando o Prophet da seguinte forma:

profeta = Prophet()

Com o Prophet devidamente instanciado, vamos fazer o que chamamos de treinar o modelo. Treinar o modelo nada mais é que o ajuste do modelo aos nossos dados e, para isso, utilizaremos o comando .fit(), da seguinte forma:

profeta.fit(bova)

Com isso, nosso modelo está treinado. Vamos construir um dataframe com o Prophet, que contém as datas futuras e nos ajudará a fazer as previsões:

futuro = profeta.make_future_dataframe(periods=30)

Dentro do nosso comando make_future_dataframe(), passamos o parâmetro  periods =30, indicando que desejamos prever os próximos 30 dias. Caso quiséssemos prever os próximos 5 anos poderíamos passar como período 5*365.

Porém, ainda não temos nenhuma previsão feita; o que temos é um dataframe com datas, como mostrado na figura a seguir:

Figura 3: DataFrame futuro somente com as datas.

Para fazermos nossa previsão podemos fazer:

previsoes = profeta.predict(futuro)

Utilizamos o comando .predict() para fazermos as previsões no dataframe futuro e alocamos o resultado em uma variável chamada de previsões.

Essa variável, previsões, é um dataframe bem grande com várias informações como, por exemplo, limite inferior e superior das previsões, valor das previsões, entre outras informações. Porém, nesse artigo, vamos nos concentrar no gráfico que iremos fazer com o seguinte código:

figura = profeta.plot(previsoes)

figura.show()

O resultado deste código é o gráfico da figura a seguir:

Figura 4: Gráfico da série temporal.

Agora, vamos compreender o que este gráfico significa, ou seja, os elementos do gráfico:

• Pontos pretos: Valores reais.

• Linha azul contínua: As previsões feitas pelo nosso algoritmo.

• Faixa azul clara: Limite inferior e superior das previsões.

• Linha azul escura no final do gráfico: Valores futuros dos próximos 30 dias, que o algoritmo previu.

Com esse gráfico conseguimos perceber duas coisas:

• O Facebook Prophet, mesmo sem nenhum ajuste, conseguiu se aproximar muito dos valores reais.

• O Facebook Prophet é muito simples de ser utilizado, mesmo por quem não possui um conhecimento profundo em séries temporais e programação.

Conclusão

Com isso, chegamos ao final do nosso algoritmo de previsão dos valores da bolsa. Claro, este foi um exemplo de introdução ao Prophet, o que significa que podemos ajustá-lo, tornando, assim, sua previsão melhor.

Obrigado a todos e até a próxima! 

Este artigo foi escrito por Thiago Benevides e publicado originalmente em Prensa.li.