Python 如何处理时间序列预测模型中的不频繁数据

我正在尝试创建一个股票价格预测的基本模型，我想包括的一些功能来自公司季度收益报告（每3个月一次），例如；如果我的数据功能是日期、开盘价、收盘价、成交量、LastQrtrRevenue，那么如果我每3个月才有一个值，我如何包括LastQrtrRevenue？我是否将其他日期留空（或空），或者我应该只包含一个LastQrtrRevenue常量，并在新数据发布之日进行更新？如果任何人对处理不经常发布但重要的数据有任何反馈，请分享。。。。提前谢谢。

我很想把上一个季度的收入放在一个单独的表中，用一个日期字段表示该季度开始（或结束，其实并不重要）。然后，您可以编写查询以最适合您的应用程序的方式工作。您当然可以使用该表重新构建上面提到的视图，只要您可以将其与主表关联

---

您只需按公司名称加入主表，同时选择上一季度收入表的

max（）

。

这会更好地组织数据，但不确定我将如何处理（训练）模型，该模型具有重要的数据功能，仅每3个月提供一次。如果你建议使用另一个回归模型来预测最近一天的收入，我认为这不是一个好主意……当#的发布时，它会对人类投资者产生突然的影响，可能会导致仓促买入或卖出，我希望我的模型能够学习。在这种情况下，如果我将LastQrtrRevenue列保留为null，并且在发布#的当天每隔90天为它设置一个值，那么会有什么大的变化吗？我知道了。我真正关注的是数据管理，而不是培训模型本身。我认为这两种方法都有优点。市场取决于投资者情绪等因素。每一个投资者都知道最后一个季度的数据发布的时间，所以从某种意义上说，它们是一个状态，也是一个事件。因此，您的模型可能需要季度结果和自上次发布（或下一次发布）以来的天数为了真实反映公司的业绩，如果我每3个月发布一次Q，其余日期保留为空，我的ANN会知道这是一个及时的事件，会对每天都有数据的其他功能产生影响吗？对于相对稀疏的数据，ANN是否能够建立这些连接并根据需要调整权重？