笔者邀请您,先思考:
1 您如何处理时间序列数据?
LSTMs在序列预测问题中非常强大,因为它们能够存储过去的信息。这在我们的案例中很重要,因为股票的前一个价格对于预测其未来的价格是至关重要的。
编者按:本教程演示了如何开始使用LSTM模型预测时间序列。股票市场数据是一个很好的选择,因为它是相当常规的和广泛地提供给每个人。请不要把这当作理财建议,也不要用它来做你自己的交易。
在本教程中,我们将构建一个Python深度学习模型,用于预测股票价格的未来行为。我们假设读者熟悉Python中的深度学习概念,特别是LSTM。
虽然预测股票的实际价格是一个上坡路,但是我们可以建立一个模型来预测股票的价格是涨是跌。本教程使用的数据和notebook可以在这里找到。需要注意的是,影响股价的因素总是存在的,比如政治氛围和市场。然而,在本教程中,我们不会关注这些因素。
LSTMs在序列预测问题中非常强大,因为它们能够存储过去的信息。这在我们的案例中很重要,因为股票的前一个价格对于预测其未来的价格是至关重要的。
我们将导入用于科学计算的NumPy、用于绘制图形的Matplotlib和用于加载和操作数据集的Pandas。
1import numpy as np
2import matplotlib.pyplot as plt
3import pandas as pd
下一步是加载我们的训练数据集,并选择我们将在建模中使用的Open和High列。
1dataset_train = pd.read_csv('NSE-TATAGLOBAL.csv')
2training_set = dataset_train.iloc[:, 1:2].values
我们检查数据集的头部,以便让我们对正在使用的数据集有一个大致的了解。
1dataset_train.head()
某只股票在特定交易日的开盘价是是Open列,收盘价是Close列。最高和最低价分别是High列和Low列。
从以前使用深度学习模型的经验中,我们知道我们必须缩放数据以获得最佳性能。在我们的例子中,我们将使用Scikit- Learn的MinMaxScaler,并将数据集缩放到0到1之间的数字。
1from sklearn.preprocessing import MinMaxScaler
2sc = MinMaxScaler(feature_range = (0, 1))
3training_set_scaled = sc.fit_transform(training_set)
LSTMs期望我们的数据具有特定的格式,通常是一个3D数组。我们首先在60个时间步骤中创建数据,然后使用NumPy将其转换为数组。接下来,我们将数据转换为具有X_train示例、60个时间戳和每个步骤一个特征的3D维度数组。
1X_train = []
2y_train = []
3for i in range(60, 2035):
4 X_train.append(training_set_scaled[i-60:i, 0])
5 y_train.append(training_set_scaled[i, 0])
6X_train, y_train = np.array(X_train), np.array(y_train)
7
8X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
为了构建LSTM,我们需要从Keras中导入几个模块:
1from keras.models import Sequential
2from keras.layers import Dense
3from keras.layers import LSTM
4from keras.layers import Dropout
我们添加LSTM层,然后添加一些Dropout层以防止过拟合。我们使用以下参数添加LSTM层:
在定义Dropout层时,我们指定0.2,这意味着20%的层将被删除。然后,我们添加指定1个单元的输出的Dense层。在此之后,我们使用流行的adam优化器编译模型,并将损失设置为mean_squarred_error。这会计算平方误差的均值。接下来,我们将模型设置为在批大小为32的100个epochs上运行。请记住,根据您的计算机的规格,这可能需要几分钟来完成运行。
1regressor = Sequential()
2
3regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 1)))
4regressor.add(Dropout(0.2))
5
6regressor.add(LSTM(units = 50, return_sequences = True))
7regressor.add(Dropout(0.2))
8
9regressor.add(LSTM(units = 50, return_sequences = True))
10regressor.add(Dropout(0.2))
11
12regressor.add(LSTM(units = 50))
13regressor.add(Dropout(0.2))
14
15regressor.add(Dense(units = 1))
16
17regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')
18
19regressor.fit(X_train, y_train, epochs = 100, batch_size = 32)
首先,我们需要导入用于预测的测试集。
1dataset_test = pd.read_csv('tatatest.csv')
2real_stock_price = dataset_test.iloc[:, 1:2].values
为了预测未来的股票价格,我们需要在加载测试集之后做一些事情:
在做出预测之后,我们使用inverse_transform以正常可读的格式返回股票价格。
1dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis = 0)
2inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
3inputs = inputs.reshape(-1,1)
4inputs = sc.transform(inputs)
5X_test = []
6for i in range(60, 76):
7 X_test.append(inputs[i-60:i, 0])
8X_test = np.array(X_test)
9X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
10predicted_stock_price = regressor.predict(X_test)
11predicted_stock_price = sc.inverse_transform(predicted_stock_price)
最后,我们使用Matplotlib将预测股价和实际股价的结果可视化。
1plt.plot(real_stock_price, color = 'black', label = 'TATA Stock Price')
2plt.plot(predicted_stock_price, color = 'green', label = 'Predicted TATA Stock Price')
3plt.title('TATA Stock Price Prediction')
4plt.xlabel('Time')
5plt.ylabel('TATA Stock Price')
6plt.legend()
7plt.show()
从图中我们可以看到,股票的实际价格上升了,而我们的模型也预测了股票的价格会上升。这清楚地显示了LSTMs在分析时间序列和顺序数据方面的强大功能。
有一些其他的技术来预测股票价格,如移动平均线,线性回归,k近邻,ARIMA和Prophet。这些技术可以单独测试,并与Keras LSTM进行性能比较。如果你想更多地了解Keras和深度学习,你可以在这里找到我的文章。
作者:Derrick Mwiti 原文链接: https://heartbeat.fritz.ai/using-a-keras-long-shortterm-memory-lstm-model-to-predict-stock-prices-a08c9f69aa74