我正在研究银行交易数据集，并希望找到经常性交易。我一直在按时间序列映射每个商家的交易，并尝试使用 statsmodels.tsa.stattools 中的 acf 来计算自相关函数，但我没有得到预期的结果：
r = acf(ts, fft=False)
例如，当这组交易（ASSURANCE DESJ）显然是重复交易（相同数量，相同频率）时，acf 得分为 0.3159。
acf=0.22775 的重复交易的另一个示例：
但是这个不应该被发现是重复交易，并且得到的分数与上一组（0.26919）相差不远：
我一直在检查很多不同的方法，我实际上想出了常规时间序列的自相关、数量 = 1 的时间序列的自相关、固定检查和其他规则的组合，以使其不太完美结果。我还没有运气检查过 ARIMA 和其他方法。
您是否有更好的方法来检测时间序列中的重复交易？
我不知道您使用的模型，但我建议使用可能是老式的特征工程方法：
我不确定您要实现什么，但这是我的解决方案
所以 acf 通常会告诉您所有滞后与原始趋势之间的自相关
例如，对于数据集 1
a={'2019-07-15': 9831.0,
'2019-08-15': 9818.0,
'2019-09-16': 9818.0,
'2019-10-15': 9818.0,
'2019-11-15': 9818.0,
'2019-12-16': 9818.0,
'2020-01-15': 9818.0,
'2020-02-17': 9818.0,
'2020-03-16': 9818.0}
df = pd.DataFrame([[x,y] for x,y in zip(a.keys(),a.values())])
df[0] = pd.to_datetime(df[0])
new_df=pd.date_range(start=min(df[0]), end=max(df[0])) ## adding blank dates in between so that data become continuous
new_df = pd.DataFrame(new_df)
new_df = new_df.merge(df, how="left", on=0)
new_df[1]=new_df[1].fillna(0)
new_df.head()
>>
0 1
0 2019-07-15 9831.0
1 2019-07-16 0.0
2 2019-07-17 0.0
3 2019-07-18 0.0
4 2019-07-19 0.0
plt.plot(new_df[0], new_df[1])
plt.show()
如果我对这些数据进行 acf（绘制 acf 以更好地了解正在发生的事情）
plot_acf(new_df[1], lags=35)
我看到在 ~31 处，acf 有一个显着值（> 0.2 显着性水平），足以假设下一次交易可能会在 ~30-31 天内发生（27-32 的这个区域有非零值，由于数据的构建方式，日期不完全相隔 30 天，但略有不同）
分数本身并没有多大意义，如果它不包括分数高的时间（即高的滞后期），这实际上是用来识别季节性模式，所以在这种情况下你知道，因为模式重复每隔约 30 天，您可以在此基础上构建 SARIMA 模型，以预测下一笔交易
至于数据集 C：
acf 图是这样的：
这意味着该模式每 7 天左右重复一次，您可以使用该信息来构建 SARIMA 模型
有许多不同的方法来处理季节性趋势，也许构建 SARIMA 模型或线性模型将使用季节性分解（statsmodels）或 Prophet（http://facebook.github.io/prophet/）