Удалены файл из pages

pages/1_📈_Прогноз_индекса.py

@@ -1,153 +0,0 @@
-import streamlit as st
-import yfinance as yf
-import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
-from datetime import date
-from sklearn.model_selection import train_test_split
-from prophet import Prophet
-from prophet.plot import plot_plotly
-from plotly import graph_objs as go
-from prophet.make_holidays import make_holidays_df
-from sklearn.metrics import mean_absolute_error, mean_squared_error
-
-st.set_page_config(layout='wide', initial_sidebar_state='expanded')
-st.set_option('deprecation.showPyplotGlobalUse', False)
-st.title('ML Wall Street') 
-st.image('images/img.png')
-
-START = "2021-01-01"
-TODAY = date.today().strftime("%Y-%m-%d")
-
-period = st.slider('Количество дней прогноза:', 1, 14, 14)
-
-# @st.cache_data
-def load_data():
-    dji = yf.download('^DJI', START, TODAY)
-    dji.reset_index(inplace=True)
-    data_500 = yf.download('^GSPC', START, TODAY)
-    data_500.reset_index(inplace=True)
-    sse = yf.download('000001.SS', START, TODAY)
-    sse.reset_index(inplace=True)
-    imoex = yf.download('IMOEX.ME', START, TODAY)
-    imoex.reset_index(inplace=True)
-    return dji, data_500, sse, imoex
-
-def plot_forecast(model, forecast, text):
-        fig = plot_plotly(model, forecast)
-        fig.update_layout(title_text=text, xaxis_rangeslider_visible=True, xaxis_title='', yaxis_title='')
-        st.plotly_chart(fig, use_container_width=True, height=400, range_slider_visible=True)       
-
-dji, data_500, sse, imoex = load_data()
-latest_date = dji['Date'].iloc[-1].strftime('%Y-%m-%d')
-st.markdown(f"<h3 style='text-align: center;'>Цены актуальны на последнюю дату закрытия торгов {latest_date}</h3>", unsafe_allow_html=True)
-# # Добавляем кнопку обновления данных
-# if st.button("Обновить данные", type="primary"):
-#     dji = yf.download('^DJI', START, TODAY)
-#     dji.reset_index(inplace=True)
-#     data_500 = yf.download('^GSPC', START, TODAY)
-#     data_500.reset_index(inplace=True)
-#     sse = yf.download('000001.SS', START, TODAY)
-#     sse.reset_index(inplace=True)
-#     imoex = yf.download('IMOEX.ME', START, TODAY)
-#     imoex.reset_index(inplace=True)
-#     st.success("Данные успешно обновлены!")
-
-# if st.button("или Обновить данные", type="primary"):
-#      dji, data_500, sse, imoex = load_data()
-
-def evaluate_trend_first_day(predicted_values, actual_values):
-    # Разница между первым днем прогноза и последним днем тестовых данных
-    forecast_diff_first_last = predicted_values[0] - actual_values[-1]
-    # Оценка тренда на первый день: рост, падение, стабильность
-    if forecast_diff_first_last > 0:
-        return "Тенденция на первый день: Рост"
-    elif forecast_diff_first_last < 0:
-        return "Тенденция на первый день: Падение"
-    else:
-        return "Тенденция на первый день: Стабильность"
-
-def evaluate_trend_period(predicted_values):
-    # Разница между первым и последним значением прогноза
-    forecast_diff = predicted_values[-1] - predicted_values[0]
-    # Оценка тренда на весь период прогноза: рост, падение, стабильность
-    print("Разница между первым и последним значением прогноза:", forecast_diff)
-    
-    if forecast_diff > 0:
-        return "Тенденция на период прогноза: Рост"
-    elif forecast_diff < 0:
-        return "Тенденция на период прогноза: Падение"
-    else:
-        return "Тенденция на период прогноза: Стабильность"
-
-def index(ind, country_name, text1, text2):
-    data = ind
-    data = data.rename(columns={'Date': 'ds', 'Adj Close': 'y'})
-    # Разделение данных на обучающую и тестовую выборки
-    full_train_data3, full_test_data3 = train_test_split(data, test_size=period, shuffle=False)
-
-    # Удаляем временную зону из столбца ds
-    full_train_data3['ds'] = full_train_data3['ds'].dt.tz_localize(None)
-    full_test_data3['ds'] = full_test_data3['ds'].dt.tz_localize(None)
-
-    # Создаем модель Prophet
-    model = Prophet(interval_width=0.95)
-    # Добавляем стандартные праздничные дни для страны
-    model.add_country_holidays(country_name=country_name)
-    model.fit(full_train_data3)
-    future = model.make_future_dataframe(periods=full_test_data3.shape[0] + period, freq='D')
-    forecast3 = model.predict(future)
-    # Отрисовка графика 
-    fig = go.Figure()
-    fig = plot_plotly(model, forecast3)
-    fig.add_trace(go.Scatter(x=full_test_data3['ds'], 
-                            y=full_test_data3['y'], 
-                            mode='markers',
-                            marker=dict(color='orchid'),
-                            name='Факт значения'))
-    fig.add_trace(go.Scatter(x=forecast3['ds'].iloc[-period:], y=forecast3['yhat'].iloc[-period:], mode='lines', name='Прогноз на +14 дней'))
-    fig.update_layout(title_text=text1, xaxis_rangeslider_visible=True, xaxis_title='', yaxis_title='')
-    fig.update_traces(showlegend=True)
-    st.plotly_chart(fig, use_container_width=True, range_slider_visible=True)  
-    # Расчет метрик на тестовой выборке
-    actual_values_test = full_test_data3['y'].values
-    predicted_values_test = forecast3['yhat'].iloc[-period:].values
-    mape_test = np.mean(np.abs((actual_values_test - predicted_values_test) / actual_values_test)) * 100
-    rmse_test = np.sqrt(mean_squared_error(actual_values_test, predicted_values_test))
-    check = st.checkbox(text2)
-    if check:
-        col1, col2 = st.columns([1, 1])
-        with col1:
-            st.write("**Информация.** \
-                    Прогноз сделан по нескольким дням прошлого и нескольким дням будущего периода.")
-            st.markdown("**Метрики для тестовой выборки:**")
-            st.write(f"MAPE: {mape_test:.2f}%")
-            st.write(f"RMSE: {rmse_test:.2f}")
-            # Оценка тренда на первый день
-            trend_evaluation_first_day = evaluate_trend_first_day(predicted_values_test, actual_values_test)
-            st.write(trend_evaluation_first_day)
-            # Оценка тренда на период прогноза
-            trend_evaluation_period = evaluate_trend_period(predicted_values_test)
-            st.write(trend_evaluation_period)
-        with col2:
-            forecast_results = pd.DataFrame({
-                'Дата': forecast3['ds'].iloc[-period:].values,
-                'Прогноз': forecast3['yhat'].iloc[-period:].values.round(2)
-            })
-            st.dataframe(forecast_results.set_index('Дата'))
-
-text1_dji = f'График прогноза для {period} дней по индексу Dow Jones, USD 🇺🇸'
-text2_dji = f"Результаты прогноза по Dow Jones Industrial Average"
-index(dji, 'US', text1_dji, text2_dji)
-
-text1_500 = f'График прогноза для {period} дней по индексу S&P 500, USD 🇺🇸'
-text2_500 = f"Результаты прогноза по S&P 500"
-index(data_500, 'US', text1_500, text2_500)
-
-text1_sse = f'График прогноза для {period} дней по индексу SSE Composite, CNY 🇨🇳'
-text2_sse = f"Результаты прогноза по SSE Composite Index"
-index(sse, 'China', text1_sse, text2_sse)
-
-text1_imoex = f'График прогноза для {period} дней по индексу MOEX Russia, RUB 🇷🇺'
-text2_imoex = f"Результаты прогноза по MOEX Russia Index"
-index(imoex, 'Russia', text1_imoex, text2_imoex)

pages/2_💲 _Прогноз_акций.py

@@ -1,126 +0,0 @@
-import streamlit as st
-import yfinance as yf
-import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
-from datetime import date
-from sklearn.model_selection import train_test_split
-from prophet import Prophet
-from prophet.plot import plot_plotly
-from plotly import graph_objs as go
-from prophet.make_holidays import make_holidays_df
-from sklearn.metrics import mean_absolute_error, mean_squared_error
-
-st.set_page_config(layout='wide', initial_sidebar_state='expanded')
-st.set_option('deprecation.showPyplotGlobalUse', False)
-st.title('ML Wall Street')
-st.image('images/img.png')
-
-START = "2020-01-01"
-TODAY = date.today().strftime("%Y-%m-%d")
-
-stocks = ('AAPL', 'UNH', 'MSFT', 'GS', 'HD', 'AMGN', 'MCD', 'CAT', 'CRM', 'V', 'BA', 'HON', 'TRV', 'AXP', 'JPM', 'IBM', 'JNJ', 'WMT', 'PG', 'CVX', 'MRK', 'MMM', 'NKE', 'DIS', 'KO', 'DOW', 'CSCO', 'INTC', 'VZ', 'WBA')
-selected_stock = st.selectbox('Выберите тикер из индекса Dow Jones', stocks)
-
-period = st.slider('Количество дней прогноза:', 1, 14, 14)
-
-# @st.cache_data
-def load_data(ticker):
-    data = yf.download(ticker, START, TODAY)
-    data.reset_index(inplace=True)
-    return data
-
-data = load_data(selected_stock)
-latest_date = data['Date'].iloc[-1].strftime('%Y-%m-%d')
-st.markdown(f"<h3 style='text-align: center;'>Цены актуальны на последнюю дату закрытия торгов {latest_date}</h3>", unsafe_allow_html=True)
-
-def evaluate_trend_first_day(predicted_values, actual_values):
-    # Разница между первым днем прогноза и последним днем тестовых данных
-    forecast_diff_first_last = predicted_values[0] - actual_values[-1]
-    # Оценка тренда на первый день: рост, падение, стабильность
-    if forecast_diff_first_last > 0:
-        return "Тенденция на первый день: Рост"
-    elif forecast_diff_first_last < 0:
-        return "Тенденция на первый день: Падение"
-    else:
-        return "Тенденция на первый день: Стабильность"
-
-def evaluate_trend_period(predicted_values):
-    # Разница между первым и последним значением прогноза
-    forecast_diff = predicted_values[-1] - predicted_values[0]
-    # Оценка тренда на весь период прогноза: рост, падение, стабильность
-    print("Разница между первым и последним значением прогноза:", forecast_diff)
-    
-    if forecast_diff > 0:
-        return "Тенденция на период прогноза: Рост"
-    elif forecast_diff < 0:
-        return "Тенденция на период прогноза: Падение"
-    else:
-        return "Тенденция на период прогноза: Стабильность"
-
-def ticker(data, text1, text2):
-    data = data
-    data = data.rename(columns={'Date': 'ds', 'Adj Close': 'y'})
-    # Разделение данных на обучающую и тестовую выборки
-    full_train_data3, full_test_data3 = train_test_split(data, test_size=period, shuffle=False)
-
-    # Удаляем временную зону из столбца ds
-    full_train_data3['ds'] = full_train_data3['ds'].dt.tz_localize(None)
-    full_test_data3['ds'] = full_test_data3['ds'].dt.tz_localize(None)
-
-    # Создаем модель Prophet
-    model = Prophet(interval_width=0.95)
-    # Добавляем стандартные праздничные дни для страны
-    model.add_country_holidays(country_name='US')
-    model.fit(full_train_data3)
-    future = model.make_future_dataframe(periods=full_test_data3.shape[0] + period, freq='D')
-    forecast3 = model.predict(future)
-    # Отрисовка графика 
-    fig = go.Figure()
-    fig = plot_plotly(model, forecast3)
-    fig.add_trace(go.Scatter(x=full_test_data3['ds'], 
-                            y=full_test_data3['y'], 
-                            mode='markers',
-                            marker=dict(color='orchid'),
-                            name='Факт значения'))
-    fig.add_trace(go.Scatter(x=forecast3['ds'].iloc[-period:], y=forecast3['yhat'].iloc[-period:], mode='lines', name='Прогноз на +14 дней'))
-    fig.update_layout(title_text=text1, xaxis_rangeslider_visible=True, xaxis_title='', yaxis_title='')
-    fig.update_traces(showlegend=True)
-    st.plotly_chart(fig, use_container_width=True, range_slider_visible=True)  
-    # Расчет метрик на тестовой выборке
-    actual_values_test = full_test_data3['y'].values
-    predicted_values_test = forecast3['yhat'].iloc[-period:].values
-    mape_test = np.mean(np.abs((actual_values_test - predicted_values_test) / actual_values_test)) * 100
-    rmse_test = np.sqrt(mean_squared_error(actual_values_test, predicted_values_test))
-    # Рассчитываем кастомную метрику точности прогноза для 1 дня с учетом весов предыдущих 7 дней
-    forecast_values = forecast3['yhat'].tail(period).values
-    predicted_value = forecast_values[0]  # Выбираем первый предсказанный день из последних 14
-    actual_values = full_test_data3['y'].tail(7).values
-    weights = np.array([1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4])
-    custom_mape = np.dot(weights, np.abs((actual_values - predicted_value) / actual_values)) / np.sum(weights) * 100
-    check = st.checkbox(text2)
-    if check:
-        col1, col2 = st.columns([1, 1])
-        with col1:
-            st.write("**Информация.** \
-                    Прогноз сделан по нескольким дням прошлого и нескольким дням будущего периода.")
-            st.markdown("**Метрики для тестовой выборки:**")
-            st.write(f"RMSE: {rmse_test:.2f}")
-            st.write(f"MAPE: {mape_test:.2f}%")
-            st.write(f"Custom MAPE: {custom_mape:.2f}")
-            # Оценка тренда на первый день
-            trend_evaluation_first_day = evaluate_trend_first_day(predicted_values_test, actual_values_test)
-            st.write(trend_evaluation_first_day)
-            # Оценка тренда на период прогноза
-            trend_evaluation_period = evaluate_trend_period(predicted_values_test)
-            st.write(trend_evaluation_period)
-        with col2:
-            forecast_results = pd.DataFrame({
-                'Дата': forecast3['ds'].iloc[-period:].values,
-                'Прогноз': forecast3['yhat'].iloc[-period:].values.round(2)
-            })
-            st.dataframe(forecast_results.set_index('Дата'))
-
-text1 = f'График прогноза для {period} дней по акции {selected_stock}, USD 🇺🇸'
-text2 = f"Результаты прогноза {selected_stock}"
-ticker(data, text1, text2)

pages/3_📊 _Аналитическая_справка.py

@@ -1,12 +0,0 @@
-import streamlit as st
-from datetime import date
-
-import yfinance as yf
-from prophet import Prophet
-from prophet.plot import plot_plotly
-from plotly import graph_objs as go
-
-st.set_page_config(layout='wide', initial_sidebar_state='expanded')
-st.set_option('deprecation.showPyplotGlobalUse', False)
-st.title('ML Wall Street')
-st.image('images/img.png')