g

pages/1_📈_Прогноз_индекса. Prophet.py

@@ -0,0 +1,263 @@
+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 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
+
+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_value, actual_value):
+    # Разница между первым днем прогноза и последним днем тестовых данных
+    forecast_diff_first_last = predicted_value - actual_value
+
+    # 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(forecast_14_days):
+    # Разница между первым и последним значением прогноза
+    forecast_diff = forecast_14_days['yhat'].iloc[-1] - forecast_14_days['yhat'].iloc[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"
+
+
+# Формирование календаря для США
+year_2023 = 2023
+# Создаем DataFrame с встроенными праздниками для 2023
+holidays_df_2023 = make_holidays_df(year_list=[year_2023], country='US')
+# Преобразуем входные строки в datetime
+holidays_df_2023['ds'] = pd.to_datetime(holidays_df_2023['ds'])
+# Создаем DataFrame с кастомными праздниками для 2024 года
+custom_holidays_2024 = pd.DataFrame({
+    'holiday': 'custom',
+    'ds': pd.to_datetime([
+        '2024-01-01',  # Новый год   
+        '2024-01-15',  # День Мартина Лютера Кинга младшего
+        '2024-02-19',  # День рождения Дж. Вашингтона (Washington’s Birthday)
+        '2024-03-29',  # Страстная пятница (Good Friday)
+        '2024-05-27',  # День Памяти (Memorial Day)
+        '2024-06-19',  # День национальной независимости | Juneteenth
+        '2024-07-04',  # День независимости
+        '2024-09-02',  # День труда
+        '2024-11-28',  # День Благодарения
+        '2024-12-24',  # Рождество
+    ]),
+    'lower_window': 0,
+    'upper_window': 1,
+})
+# Объединяем все DataFrame с праздниками
+all_holidays_US = pd.concat([holidays_df_2023, custom_holidays_2024]).drop_duplicates(subset=['ds']).sort_values(by=['ds'])
+# Создаем DataFrame с датами праздников
+holidays_df_US = pd.DataFrame({
+    'ds': all_holidays_US['ds'],
+    'holiday': 'holiday',
+})
+
+# Формирование календаря для Китая
+year_2023 = 2023
+holidays_ch_2023 = make_holidays_df(year_list=[year_2023], country='China')
+# Преобразуем входные строки в datetime
+holidays_ch_2023['ds'] = pd.to_datetime(holidays_ch_2023['ds'])
+# Создаем DataFrame с кастомными праздниками для 2024 года
+custom_holidays_2024_ch = pd.DataFrame({
+    'holiday': 'custom',
+    'ds': pd.to_datetime([
+        '2024-01-01',  # Новый год   
+        '2024-02-12',  # Китайский Новый Год
+        '2024-02-13',  # Китайский Новый Год
+        '2024-03-29',  # Страстная пятница (Good Friday)
+        '2024-04-01',  # Пасхальный понедельник
+        '2024-04-04',  # День ухода за могилами 
+        '2024-05-01',  # Праздник Труда
+        '2024-05-15',  # День рождения Будды
+        '2024-06-10',  # Фестиваль Туен Нг 
+        '2024-07-01'  # Праздник Специального Административного района
+    ]),
+    'lower_window': 0,
+    'upper_window': 1,
+})
+# Объединяем все DataFrame с праздниками
+all_holidays_China = pd.concat([holidays_ch_2023, custom_holidays_2024_ch]).drop_duplicates(subset=['ds']).sort_values(by=['ds'])
+# Создаем DataFrame с датами праздников
+holidays_df_China = pd.DataFrame({
+    'ds': all_holidays_China['ds'],
+    'holiday': 'holiday',
+})
+
+# Формирование календаря для России
+year_2023 = 2023
+holidays_r_2023 = make_holidays_df(year_list=[year_2023], country='Russia')
+# Преобразуем входные строки в datetime
+holidays_r_2023['ds'] = pd.to_datetime(holidays_r_2023['ds'])
+# Создаем DataFrame с кастомными праздниками для 2024 года
+custom_holidays_2024_r = pd.DataFrame({
+    'holiday': 'custom',
+    'ds': pd.to_datetime([
+        '2024-01-01', 
+        '2024-01-02',  
+        '2024-02-23',  
+        '2024-03-8',  
+        '2024-05-01',  
+        '2024-05-09',  
+        '2024-06-12',  
+        '2024-11-04' 
+    ]),
+    'lower_window': 0,
+    'upper_window': 1,
+})
+# Объединяем все DataFrame с праздниками
+all_holidays_r = pd.concat([holidays_r_2023, custom_holidays_2024_r]).drop_duplicates(subset=['ds']).sort_values(by=['ds'])
+# Создаем DataFrame с датами праздников
+all_holidays_r = pd.DataFrame({
+    'ds': all_holidays_China['ds'],
+    'holiday': 'holiday',
+})
+
+def index(ind, holidays_df, text1, text2, k=0):
+    data = ind
+    data = data.rename(columns={'Date': 'ds', 'Adj Close': 'y'})
+    # Сортируем данные по дате
+    data = data.sort_values(by='ds')
+    # Определяем индекс для разделения
+    split_index = len(data) - period
+
+    # Разделяем данные на обучающую и тестовую выборки
+    full_train_data3 = data.iloc[:split_index].copy()
+    full_test_data3 = data.iloc[split_index:].copy()
+
+    # 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)
+    model.fit(full_train_data3)
+    # Создаем фрейм для прогноза на тестовых данных, исключая даты праздников
+    last_date = full_test_data3['ds'].max()
+    future = model.make_future_dataframe(periods=full_test_data3.shape[0]+k, freq='B')
+    future = future[~future['ds'].isin(holidays_df['ds'])]
+    forecast_test = model.predict(future)
+    # latest_date2 = forecast_test['ds'].iloc[-1]
+    # st.write(latest_date2)
+    # Создаем фрейм для прогноза на +14 дней после последней даты
+    future_14_days = model.make_future_dataframe(periods=period, freq='B', include_history=False)
+    future_14_days['ds'] = pd.date_range(start=last_date + pd.DateOffset(1), periods=period, freq='B')
+    forecast_14_days = model.predict(future_14_days)
+
+    # Отрисовка графика 
+    fig = go.Figure()
+    fig = plot_plotly(model, forecast_test)
+    # full_test_data3 = full_test_data3.loc[full_test_data3['ds'].isin(forecast_test['ds'])]
+    fig.add_trace(go.Scatter(x=full_test_data3['ds'], 
+                            y=full_test_data3['y'], 
+                            mode='markers',
+                            marker=dict(color='orchid'),
+                            name='Факт тест'))
+    fig.add_trace(go.Scatter(x=forecast_test['ds'].iloc[-period:], 
+                             y=forecast_test['yhat'].iloc[-period:], 
+                             mode='lines+markers', 
+                             marker=dict(color='blue'),
+                             name='Прогноз тест'))
+    fig.add_trace(go.Scatter(x=forecast_14_days['ds'], y=forecast_14_days['yhat'], mode='lines+markers', name='Прогноз будущее'))
+    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 = forecast_test['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 составлен на тестовой выборке с возможностью выбора периода до 14 дней. \
+                     Дополнительно приведен прогноз для будущего периода с указанием тенденции дельнейшего развития.")
+            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(forecast_14_days['yhat'].iloc[0], full_test_data3['y'].iloc[-1])
+            st.write(trend_evaluation_first_day)
+            # Оценка тренда на период прогноза
+            trend_evaluation_period = evaluate_trend_period(forecast_14_days[['ds', 'yhat']])
+            st.write(trend_evaluation_period)
+        with col2:
+            forecast_results = pd.DataFrame({
+                'Дата': forecast_14_days['ds'].iloc[-period:].values,
+                'Прогноз': forecast_14_days['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, holidays_df_US, text1_dji, text2_dji, 1)
+
+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, holidays_df_US, text1_500, text2_500, 1)
+
+text1_sse = f'График прогноза для {period} дней по индексу SSE Composite, CNY 🇨🇳'
+text2_sse = f"Результаты прогноза по SSE Composite Index"
+index(sse, holidays_df_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, all_holidays_r, text1_imoex, text2_imoex, 0)

pages/2_💲 _Прогноз_акций. Prophet.py

@@ -0,0 +1,181 @@
+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_value, actual_value):
+    # Разница между первым днем прогноза и последним днем тестовых данных
+    forecast_diff_first_last = predicted_value - actual_value
+
+    # 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(forecast_14_days):
+    # Разница между первым и последним значением прогноза
+    forecast_diff = forecast_14_days['yhat'].iloc[-1] - forecast_14_days['yhat'].iloc[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"
+
+# Формирование календаря для США
+year_2023 = 2023
+# Создаем DataFrame с встроенными праздниками для 2023
+holidays_df_2023 = make_holidays_df(year_list=[year_2023], country='US')
+# Преобразуем входные строки в datetime
+holidays_df_2023['ds'] = pd.to_datetime(holidays_df_2023['ds'])
+# Создаем DataFrame с кастомными праздниками для 2024 года
+custom_holidays_2024 = pd.DataFrame({
+    'holiday': 'custom',
+    'ds': pd.to_datetime([
+        '2024-01-01',  # Новый год   
+        '2024-01-15',  # День Мартина Лютера Кинга младшего
+        '2024-02-19',  # День рождения Дж. Вашингтона (Washington’s Birthday)
+        '2024-03-29',  # Страстная пятница (Good Friday)
+        '2024-05-27',  # День Памяти (Memorial Day)
+        '2024-06-19',  # День национальной независимости | Juneteenth
+        '2024-07-04',  # День независимости
+        '2024-09-02',  # День труда
+        '2024-11-28',  # День Благодарения
+        '2024-12-24',  # Рождество
+    ]),
+    'lower_window': 0,
+    'upper_window': 1,
+})
+# Объединяем все DataFrame с праздниками
+all_holidays_US = pd.concat([holidays_df_2023, custom_holidays_2024]).drop_duplicates(subset=['ds']).sort_values(by=['ds'])
+# Создаем DataFrame с датами праздников
+holidays_df_US = pd.DataFrame({
+    'ds': all_holidays_US['ds'],
+    'holiday': 'holiday',
+})
+
+def ticker(data, holidays_df, text1, text2, k):
+    data = data
+    data = data.rename(columns={'Date': 'ds', 'Adj Close': 'y'})
+    # Сортируем данные по дате
+    data = data.sort_values(by='ds')
+    # Определяем индекс для разделения
+    split_index = len(data) - period
+
+    # Разделяем данные на ��бучающую и тестовую выборки
+    full_train_data3 = data.iloc[:split_index].copy()
+    full_test_data3 = data.iloc[split_index:].copy()
+
+    # 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)
+    # st.write(full_test_data3)
+
+    # Создаем модель Prophet
+    model = Prophet(interval_width=0.95)
+    model.fit(full_train_data3)
+    # Создаем фрейм для прогноза на тестовых данных, исключая даты праздников
+    last_date = full_test_data3['ds'].max()
+    future = model.make_future_dataframe(periods=full_test_data3.shape[0]+k, freq='B')
+    future = future[~future['ds'].isin(holidays_df['ds'])]
+    forecast_test = model.predict(future)
+    # Создаем фрейм для прогноза на +14 дней после последней даты
+    future_14_days = model.make_future_dataframe(periods=14, freq='B', include_history=False)
+    future_14_days['ds'] = pd.date_range(start=last_date + pd.DateOffset(1), periods=14, freq='B')
+    forecast_14_days = model.predict(future_14_days)
+
+    # Отрисовка графика 
+    fig = go.Figure()
+    fig = plot_plotly(model, forecast_test)
+    fig.add_trace(go.Scatter(x=full_test_data3['ds'], 
+                            y=full_test_data3['y'], 
+                            mode='markers',
+                            marker=dict(color='orchid'),
+                            name='Факт тест'))
+    fig.add_trace(go.Scatter(x=forecast_test['ds'].iloc[-period:], 
+                             y=forecast_test['yhat'].iloc[-period:], 
+                             mode='lines+markers', 
+                             marker=dict(color='blue'),
+                             name='Прогноз тест'))
+    fig.add_trace(go.Scatter(x=forecast_14_days['ds'], y=forecast_14_days['yhat'], mode='lines+markers', name='Прогноз будущее'))
+    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 = forecast_test['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 = forecast_test['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 составлен на тестовой выборке с возможностью выбора периода до 14 дней. \
+                     Дополнительно приведен прогноз для будущего периода с указанием тенденции дельнейшего развития.")
+            st.markdown("**Метрики для тестовой выборки:**")
+            st.write(f"RMSE: {rmse_test:.2f}")
+            st.write(f"MAPE: {mape_test:.2f}%")
+            st.write(f"Weighted MAPE: {custom_mape:.2f}%")
+            # Оценка тренда на первый день
+            trend_evaluation_first_day = evaluate_trend_first_day(forecast_14_days['yhat'].iloc[0], full_test_data3['y'].iloc[-1])
+            st.write(trend_evaluation_first_day)
+            # Оценка тренда на период прогноза
+            trend_evaluation_period = evaluate_trend_period(forecast_14_days[['ds', 'yhat']])
+            st.write(trend_evaluation_period)
+        with col2:
+            forecast_results = pd.DataFrame({
+                'Дата': forecast_14_days['ds'].iloc[-period:].values,
+                'Прогноз': forecast_14_days['yhat'].iloc[-period:].values.round(2)
+            })
+            st.dataframe(forecast_results.set_index('Дата'))
+        # fig2 = data.plot_components(future_14_days)
+        # st.write(fig2)
+
+text1 = f'График прогноза для {period} дней по акции {selected_stock}, USD 🇺🇸'
+text2 = f"Резу��ьтаты прогноза {selected_stock}"
+ticker(data, holidays_df_US, text1, text2, 1)

requirements.txt

@@ -1,119 +1,10 @@
-altair==5.2.0
-annotated-types==0.6.0
-anyio==3.7.1
-appdirs==1.4.4
-appnope==0.1.3
-asttokens==2.4.1
-attrs==23.1.0
-beautifulsoup4==4.12.3
-blinker==1.7.0
-cachetools==5.3.2
-certifi==2023.11.17
-charset-normalizer==3.3.2
-click==8.1.7
-cmdstanpy==1.2.0
-comm==0.2.0
-contourpy==1.2.0
-cycler==0.12.1
-debugpy==1.8.0
-decorator==5.1.1
-exceptiongroup==1.2.0
-executing==2.0.1
-faiss-cpu==1.7.4
-fastapi==0.105.0
-filelock==3.13.1
-fonttools==4.46.0
-frozendict==2.4.0
-fsspec==2023.12.2
-gitdb==4.0.11
-GitPython==3.1.40
-h11==0.14.0
-holidays==0.41
-html5lib==1.1
-huggingface-hub==0.19.4
-idna==3.6
-importlib-metadata==6.11.0
-importlib-resources==6.1.1
-ipykernel==6.27.1
-ipython==8.18.1
-jedi==0.19.1
-Jinja2==3.1.2
-joblib==1.3.2
-jsonschema==4.20.0
-jsonschema-specifications==2023.11.2
-jupyter_client==8.6.0
-jupyter_core==5.5.0
-kiwisolver==1.4.5
-lxml==5.1.0
-markdown-it-py==3.0.0
-MarkupSafe==2.1.3
-matplotlib==3.8.2
-matplotlib-inline==0.1.6
-mdurl==0.1.2
-mpmath==1.3.0
-multitasking==0.0.11
-nest-asyncio==1.5.8
-networkx==3.2.1
-numpy==1.26.2
-packaging==23.2
-pandas==2.1.4
-parso==0.8.3
-peewee==3.17.0
-pexpect==4.9.0
-php==1.2.1
-Pillow==10.1.0
-platformdirs==4.1.0
+streamlit==1.28.1
+pandas==2.1.2
+yfinance==0.2.31
 plotly==5.18.0
-prompt-toolkit==3.0.43
+plotly-express==0.4.1
+numpy==1.26.1
+matplotlib==3.8.1
+matplotlib-inline==0.1.6
 prophet==1.1.5
-protobuf==4.25.1
-psutil==5.9.6
-ptyprocess==0.7.0
-pure-eval==0.2.2
-pyarrow==14.0.1
-pydantic==2.5.2
-pydantic_core==2.14.5
-pydeck==0.8.1b0
-Pygments==2.17.2
-pyparsing==3.1.1
-python-dateutil==2.8.2
-python-multipart==0.0.6
-pytz==2023.3.post1
-PyYAML==6.0.1
-pyzmq==25.1.2
-referencing==0.32.0
-regex==2023.10.3
-requests==2.31.0
-rich==13.7.0
-rpds-py==0.13.2
-safetensors==0.4.1
 scikit-learn==1.3.2
-scipy==1.11.4
-six==1.16.0
-smmap==5.0.1
-sniffio==1.3.0
-soupsieve==2.5
-stack-data==0.6.3
-stanio==0.3.0
-starlette==0.27.0
-streamlit==1.29.0
-sympy==1.12
-tenacity==8.2.3
-threadpoolctl==3.2.0
-tokenizers==0.15.0
-toml==0.10.2
-toolz==0.12.0
-tornado==6.4
-tqdm==4.66.1
-traitlets==5.14.0
-transformers==4.36.1
-typing_extensions==4.9.0
-tzdata==2023.3
-tzlocal==5.2
-urllib3==2.1.0
-uvicorn==0.24.0.post1
-validators==0.22.0
-wcwidth==0.2.12
-webencodings==0.5.1
-yfinance==0.2.36
-zipp==3.17.0