问在多个时间框架内聚合/重采样熊猫多指标数据并预测ARIMA

EN

我有多个时间框架，我想跟踪和预测值(ARIMA预测每段时间提前1段)，我的算法在最低的时间框架上检索数据。注意:每个时间框架都是均匀的(但不一定是对称的)，可以被较低的时间间隔。作为一个重要的副词，日内时间框架(1H，4H)应该从上午9:30开始(市场开放时间)。

1分钟，5分钟，15分钟，30分钟，1H，4H，1D，1W，1M

首先，该算法执行批量history调用，并在给定的时间范围内获取所有1分钟的数据(热身数据)。然后，在运行时(永不停止；这是一个交易算法)，它每分钟接收数据。

第一步(在接收大量历史数据之后)是使用一个越来越小的数据集将其聚合到每个较高的时间框架中，以节省处理时间：

即，

1分钟时间帧数据=1分钟数据(历史批量数据)

5分钟时间帧数据=聚合1分钟时间帧数据到5分钟

15分钟时间帧数据=聚合5分钟时间帧数据到15分钟

等等。

给定以下示例数据集(并假设可能包含其他符号)：

                                 close        high         low        open
symbol time                                                                  
SPY    2018-05-22 09:31:00  270.245900  270.374166  270.226167  270.305100   
       2018-05-22 09:32:00  270.344566  270.374166  270.206434  270.245900   
       2018-05-22 09:33:00  270.374166  270.374166  270.314966  270.344566   
       2018-05-22 09:34:00  270.275500  270.374166  270.245900  270.374166   
       2018-05-22 09:35:00  270.413632  270.443232  270.275500  270.275500   
       2018-05-22 09:36:00  270.502431  270.522165  270.384032  270.413632   
       2018-05-22 09:37:00  270.541898  270.591231  270.492565  270.502431

Q1：我如何聚合多索引熊猫的数据，以便每个符号的时间索引和列被聚合？下面是一个部分未经测试(而且可能不起作用)的解决方案，说明了我的意图：

# Where timeframe.Frequency is a string such as "1H" or "1min"
df.resample(timeframe.Frequency).agg({"open": "first", "close": "last", "low": "min", "high": "max"})

A1：df.groupby(['symbol', pd.Grouper(freq=timeframe.Frequency, level='time')]).agg({'open':'first', 'close':'last', 'high':'max', 'low':'min'})

Q2：考虑到对于较高的时间框架(例如，5分钟的时间框架数据将包含@9:35am完整条形数据和@9:37am部分条形数据表示为@9:40 a)，在给定时间帧的数据集中有部分数据是明智的，还是应该在运行时将其添加到数据集之前使用QuantConnect的整合器来完成它？如何在处理history时说明这些部分条形图数据

A2：部分条确实是在重采样时创建的。例如，在6月1日之后，我可能有一个1分钟的数据点，而我的每月时间框架数据将有一个6月30日的条目，其OHLC值为1分钟栏。此时，我可以删除行，或者在数据输入时继续用新值更新它。