Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性|附代码数据
原创Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性|附代码数据
原创
全文下载链接：http://tecdat.cn/?p=26562
最近我们被客户要求撰写关于循环神经网络的研究报告，包括一些图形和统计输出。
自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
该项目包括：
- 将时间序列数据转换为分类问题。
- 使用 TensorFlow 的 LSTM 模型
- 由 MSE 衡量的预测准确性
GPU 设置（如果可用）
gpus = tf.config.experimental.li读取数据集
有几种方法可以获取股市数据。以下数据集是使用 R BatchGetSymbols 生成的。
#加载数据集
# ref.date是数组的第一列
datang = read_csv('stopriceo.csv', header=0)
pd.pivot_table(datong)
我们的股票时间序列
我们为这个项目选择了微软（股票代码 MSFT）。
plt.rrms['fgre.dpi'] = 300
plt.plot(dfte['MSFT'])
时间序列显然不是平稳的，这是大多数预测模型所假设的属性。我们可以对时间序列应用变换，直到它达到平稳状态。Dickey-Fuller 检验使我们能够确定我们的时间序列是否具有季节性。
在这里，我们将应用对数转换来解决股票市场的指数行为。
其他有助于预测模型的转换：
- 移动平均线
- 差分化
df1 = datt['MSFT']
# 我们对数据集进行了对数转换
df1 = np.log(df1)
# 替代方案：我们可以对时间序列进行差分，从而去除季节性和平均值的变化。
# 创建一个差分序列
#dfdiff = diffe(df1,1)预处理
在这里，我们对时间序列数据应用标准预处理。
在时间序列中，我们没有标签，但我们有时间序列的未来值，因此输出可以是 x(t)，给定 x(t-1) 作为输入。这是将数据集构建为监督问题的一种实用（且直观）的方法。
scaer = ixSer(fatue_ange = (0,1))
scer.i_rrm(np.array(df1).rehape(-1,1))
LSTM 模型
我们在这里实现了一个堆叠的 LSTM 模型。
LSTM 网络是一种递归神经网络，能够学习序列预测问题中的序列依赖性。LSTM 模型主要用于语音识别、自然语言处理的上下文中。最近，它们也被应用于时间序列数据的分析。
from tensorflow.keras.models import Sequential
model.add(LSTM(50, retsueces = True
#LSTM
model.add(Dropout(0.1))
history
plt.plot(history.history
点击标题查阅往期内容
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
左右滑动查看更多
01
02
03
04
表现
import math
from sklearn.metrics import mean_squared_error
plt.rcParams['figure.dpi'] = 300
plt.rcParams['savefig.dpi'] = 300
#移位预测
lokback = ie_step
trinPrectPot = numpy.empty_like(df1)
traireditPlot[:,:] = np.nan
in_y = scaler.nesetsfrm(df1)
plt.plot
plt.plot(iv_y)
未来 30 天的预测
我们现在可以递归地应用该模型，通过估计第二天的 (t+1) 价格，然后再次将其作为输入来推断 t+2 天的价格，依此类推。这个预测当然会有更大的误差，因为每个预测的日子都会带来很大的不确定性。然而，这个预测确实会告诉我们模型是否从过去的数据中学到了任何东西。
# 预测未来30天的情况
len(tesdata) # 1211
# 我认为在test_data中，最后一天是5月22日，例如
# 对于5月23日，我需要100个前一天的数据
x_input = test_data[(len
while(i<ftue_teps):
if(len(tep_put)>ie_sep):
x_input = np.array(tepinut[1:])
x_input = x_input.reshap
plt.plot(dy_ew, scaler.inverse_transf
plt.plot(df3[1000:])
点击文末 “阅读原文”
获取全文完整资料。
本文选自《Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性》。
点击标题查阅往期内容
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子 Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测 结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析 深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户流失模型 PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化 Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户流失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和结果可视化 用R语言实现神经网络预测股票实例 使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
