Transformación FFT (Fourier) para principiantes sobre los precios de cierre de Apple

Question

No sé mucho de matemáticas, pero llevo muchos años programando.

Me gustaría utilizar la FFT como parámetro de un modelo ML. La FFT está bajando mucho. He probado muchas acciones y es el mismo.

Por favor, ayuda :-)

import pandas as pd
import io
import requests
import datetime
import matplotlib.pyplot as plt
import numpy as np

############################################################
# API KEY IS FREE FOR AAPL - PLEASE FEEL FREE TO USE PUBLICLY
url = "https://eodhistoricaldata.com/api/eod/AAPL.US?api_token=OeAFFmMliFG5orCUuwAKQ8l4WWFQ67YX&from=2016-01-01"
############################################################

s = requests.get(url).content
df = pd.read_csv(io.StringIO(s.decode('utf-8')),header=0)

df = df[:-1] # drop last row
# df.drop(df.index[:7000])
df['Date'] = pd.to_datetime(df['Date'], format='%Y-%m-%d')
df.drop('Close', axis=1, inplace=True) # Drop unadjusted close
df.rename(columns={'Adjusted_close': 'Close'},inplace=True)

close_fft = np.fft.fft(np.asarray(df['Close'].tolist()))
fft_df = pd.DataFrame({'fft':close_fft})
fft_df['absolute'] = fft_df['fft'].apply(lambda x: np.abs(x))
fft_df['angle'] = fft_df['fft'].apply(lambda x: np.angle(x))
plt.figure(figsize=(14, 7), dpi=100)
fft_list = np.asarray(fft_df['fft'].tolist())
for num_ in [3,6,25]:
    fft_list_m10= np.copy(fft_list); fft_list_m10[num_:-num_]=0
    plt.plot(np.fft.ifft(fft_list_m10), label='Fourier transform with {} components'.format(num_))
plt.plot( df['Close'])
plt.xlabel('Days')
plt.ylabel('USD')
plt.title('Figure 3: Apple (close) stock prices & Fourier transforms')
# plt.legend()
plt.show()

¿Hay algo que pueda hacer para que los FFT no caigan en los últimos 30 compases y estén donde deben estar?

Answer 1

El problema es que la FFT (teoría) asume un número infinito de muestras antes y después del punto de inspección. Como usted está al final de su conjunto de datos de muestra, la FFT trata eso como un valor cero de ahí hacia la derecha. intente duplicar el conjunto de datos (por el bien de la FFT). Además, la salida de la FFT normalmente se ve diferente (Tiempo vs. Frecuencia), así que no estoy seguro de lo que está mostrando aquí.