研判银行间资金利率走势，对于分析债券市场而言非常重要。Facebook在2017年开源了一个时间序列预测的算法，叫做fbprophet，其功能包括：

1. 为预测设置上下限；
2. 设置趋势断点；
3. 处理季节性和节假日效应；
4. 允许乘法形式的季节性；
5. 区间预测；
6. 处理异常值；
7. 处理非日度数据；
8. 模型检测。

我们认为，可以用这个算法，来为银行间资金利率，做出一个基础性的预测。初步探索如下：

一、安装

我们推荐使用conda安装，由于fbprophet需要调用pyStan这个开源工具，因此安装命令为下述两条：

conda install -c conda-forge pystan
conda install -c conda-forge fbprophet

二、数据准备

fbprophet的基础输入数据只需要两列，第一列是日期，第二列是要拟合和预测的时间序列数据。在本文中，我们使用3个月的SHIBOR作为案例。要注意的一点是，数据的变量名，一定修改成ds和y。原始数据如下：

三、初步处理

fbprophet算法的大概步骤是，先生成一个Prophet实例，然后调用fit方法进行拟合，调用predict方法进行拟合。代码如下：

m = Prophet()
m.fit(data)
future_time = m.make_future_dataframe(periods=365)
forecast = m.predict(future_time)
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)

下图就是模型预测的初步结果，其中黑色表示原始数据的离散点，深蓝色线表示通过时间序列模型拟合的值，浅蓝色区域表示预测的置信区间。

我们来看看模型提取出的时间序列分项，从下图可以看到，模型自2018年之后，对资金利率的趋势预测是线性向下的。从年内各月份的资金利率规律来看，呈现出上半年下行、下半年上行、年中短暂跳升的W型。从周内的规律来看，周五有一个明显的跳升。

四、进一步修正

1、趋势项预测方法的选择。 fbprophet模型中，对趋势项的预测有两种方法，第一种是基于逻辑回归函数（logistic function），一般用来拟合单向增长或下降，但是增长或者下降有界限的数据，第二种是基于分段线性函数（piecewise linear function）。我们在本案例中选择第二种方法，这也是fbprophet模型的默认方法，不需要单独设定。

2、趋势变点的设定和检测。 时间序列数据中，趋势的方向可能会出现变化，这就是所谓的“变点”。fbprophet模型会自动识别变点，而且为了避免过拟合的问题，模型默认在前80%的样本中识别变点。下图用红色竖线标识出模型自动识别的变点，根据最新识别的变点，整体趋势预测是下行的：

我们可以用changepoint_range来调整设置变点的范围，比如我们修改设置changepoint_range=1，可以看到，模型将5月份以来的资金面边际收紧，识别为未来的趋势，对未来资金利率的预测整体上行，这就产生了过拟合的问题。

我们也可以手动设置变点的位置，比如我们认为，银行间资金利率，受到准备金率调整的影响特别大，那么就可以把调整准备金率的时间，作为变点进行输入，结果如下：

3、节假日调整。 在很多时间序列中，节假日是很常见的影响因子，我们可以在模型中添加下述语句，来纳入中国的节假日，fbprophet模型中纳入的中国节假日有：元旦、春节、清明节、劳动节、端午节、中秋节 国庆节。由于这些假日银行间市场一般都不交易，所以我们在本案例中不予处理。

m.add_country_holidays(country_name='CN')

4、季节性设置。 fbprophet模型中，默认识别的季节性是周度和年度，但是对于银行间资金利率而言，周度的季节性特征并不明显，但是月度和季度的季节性比较明显，因此我们需要把周度季节性调整成月度和季度季节性。

从季节性分解图上可以看到，资金利率在月内有比较明显的季节性，月初缴准是一个高点，下旬税期是一个高点，月末是一个高点。资金利率在每个季度的最后一个月，利率偏高。

5、工作日调整。 因为银行间资金利率，只有工作日有数据，因此我们需要对预测的工作日进行调整：

future_time = m.make_future_dataframe(periods=365,freq='B')

五、优缺点分析

fbprophet模型速度比较快，而且有一定的灵活度，可以自行设置节假日、淡旺季、工作日、季节性特征、变点等，是一个功能很强大的模型。

但是缺点也比较明显，就是模型仅基于历史数据进行预测，无法引入外部变量，比如央行降准，或者大额超量续作MLF等，都会对资金利率带来明显影响，但是模型无法捕捉这种外生变量。因此笔者认为，fbprophet模型可以基于时间序列特征，提供一个很好的基准情形，然后我们再根据其他外部因素进行调整。

我们对未来1年的资金利率的预测结果和代码如下：

m = Prophet(changepoints=rrr.index.astype(str).tolist(),weekly_seasonality=False)
m.add_seasonality(name='monthly', period=30.5, fourier_order=5)
m.add_seasonality(name='quarterly', period=90, fourier_order=7)
future_time = m.make_future_dataframe(periods=365,freq='B')
forecast = m.fit(data).predict(future_time)
fig1 = m.plot(forecast)
fig2 = m.plot_components(forecast)