首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >使用LSTM模型预测股价基于Keras

使用LSTM模型预测股价基于Keras

作者头像
量化投资与机器学习微信公众号
发布2019-02-26 15:18:47
3.9K0
发布2019-02-26 15:18:47
举报

本期作者:Derrick Mwiti

本期翻译:HUDPinkPig

未经授权,严禁转载

者按:本文介绍了如何使用LSTM模型进行时间序列预测。股票市场的数据由于格式规整和非常容易获得,是作为研究的很好选择。但不要把本文的结论当作理财或交易建议。

本文将通过构建用Python编写的深度学习模型来预测未来股价走势。

虽然预测股票的实际价格非常难,但我们可以建立模型来预测股票价格是上涨还是下跌。本文使用的数据可以在https://github.com/mwitiderrick/stockprice下载。另外,本文将不考虑诸如政治氛围和市场环境等因素对股价的影响。。

介绍

LSTM在解决序列预测的问题时非常强大,因为它们能够存储之前的信息。而之前的股价对于预测股价未来走势时很重要。

本文将通过导入NumPy库来进行科学计算、导入Matplotlib库来绘制图形、以及导入Pandas库来加载和操作数据集。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

加载数据集

模型选择开盘价(Open)和最高价(High)两列。我们查看数据集的表头,可以大致了解数据集的类型。

dataset_train = pd.read_csv('NSE-TATAGLOBAL.csv')
training_set = dataset_train.iloc[:, 1:2].values

Open列是股票交易的开盘价,Close列是收盘价,High列是最高价,Low列是最低价。

特征归一化

从以前使用深度学习模型的经验来看,我们需要进行数据归一化以获得最佳的测试表现。本文的例子中,我们将使用Scikit- Learn的MinMaxScaler函数将数据集归一到0到1之间。

from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)

按步长创建数据

LSTM要求数据有特殊格式,通常是3D数组格式。初始按照60的步长创建数据,并通过Numpy转化到数组中。然后,把 X_train的数据转化到3D维度的数组中,时间步长设置为60,每一步表示一个特征。

X_train = []
y_train = []
for i in range(60, 2035):
    X_train.append(training_set_scaled[i-60:i, 0])
    y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)

X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

构建LSTM

我们需要导入Keras的一些模型来构建LSTM

1、顺序初始化神经网络

2、添加一个紧密连接的神经网络层

3、添加长短时记忆层(LSTM)

4、添加dropout层防止过拟合

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout

为了防止过拟合,我们添加了LSTM层和Dropout层,其中LSTM层的参数如下:

1、50 units 表示输出空间是50维度的单位

2、return_sequences=True 表示是返回输出序列中的最后一个输出,还是返回完整序列

3、input_shape 训练集的大小

在定义Dropout层时,我们指定参数为0.2,意味着将删除20%的层。然后,我们指定1个单元的输出作为全连接层(Dense layer)。接着,我们使用目前流行的adam优化器编译模型,并用均方误差(mean_squarred_error)来计算误差。最后,模型运行100epoch,设置batch大小为32。这个参数是根据电脑的配置来设定的,并且将耗费几分钟时间来完成实验。

regressor = Sequential()

regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 1)))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.2))

regressor.add(Dense(units = 1))

regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

regressor.fit(X_train, y_train, epochs = 100, batch_size = 32)

在测试集上预测股价

先导入我们要做股价预测的测试集:

dataset_test = pd.read_csv('tatatest.csv')
real_stock_price = dataset_test.iloc[:, 1:2].values

为了预测未来的股票价格,我们需要在测试集加载后做如下几个工作:

1、在0轴上合并训练集和测试集

2、将时间步长设置为60(如前面所介绍的)

3、使用MinMaxScaler函数转换新数据集

4、按照前面所做的那样重新规整数据集

在做出预测之后,我们用inverse_transform函数处理,以返回正常可读格式的股票价格。

dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis = 0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)
X_test = []
for i in range(60, 76):
    X_test.append(inputs[i-60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
predicted_stock_price = regressor.predict(X_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)

展示结果

最后,我们用Matplotlib库可视化显示真实股价和预测股价的对比。

plt.plot(real_stock_price, color = 'black', label = 'TATA Stock Price')
plt.plot(predicted_stock_price, color = 'green', label = 'Predicted TATA Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()

从图中我们可以看到,股票实际价格出现上涨时,模型也预测股价会上涨,较为吻合。这清晰地显示了LSTMs在分析时间序列和序列数据等方面的强大作用。

结论

预测股价的方法还有很多,比如移动平均线、线性回归、k近邻、ARIMA和Prophet。读者可以自行测试这些方法的准确率,并与Keras LSTM的测试结果进行比较。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-11-17,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量化投资与机器学习 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档