如何預測股票分析--長短時間記憶網絡(LSTM)

在上一篇中，咱們回顧了先知的方法，可是在這個案例中表現也不是特別突出，今天介紹的是著名的l s t m算法，在時間序列中解決了傳統r n n算法梯度消失問題的的它這一次還會有使人傑出的表現嗎？

 

長短時間記憶(Long Short-Term Memory) 是具備長期記憶能力的一種時間遞歸神經網絡(Recurrent Neural Network)。 其網絡結構含有一個或多個具備可遺忘和記憶功能的單元組成。它在1997年被提出用於解決傳統RNN(Recurrent Neural Network) 的隨時間反向傳播中權重消失的問題（vanishing gradient problem over backpropagation-through-time)，重要組成部分包括Forget Gate, Input Gate, 和 Output Gate, 分別負責決定當前輸入是否被採納，是否被長期記憶以及決定在記憶中的輸入是否在當前被輸出。Gated Recurrent Unit 是 LSTM 衆多版本中典型的一個。由於它具備記憶性的功能，LSTM常常被用在具備時間序列特性的數據和場景中。

LSTM 算法普遍應用於序列預測問題中，並被證實是一種很是有效的方法。它們之所表現如此出色，是由於LSTM可以存儲重要的既往信息，並忽略不重要的信息。

LSTM有三個門：

• 輸入門：輸入門將信息添加到細胞狀態

• 遺忘門：它移除模型再也不須要的信息

• 輸出門：LSTM的輸出門選擇做爲輸出的信息

要更詳細地瞭解LSTM及其體系結構，能夠閱讀下面的文章：

• 長短時間記憶網絡簡介

如今，讓咱們將LSTM實現爲一個黑盒，並檢查它在特定數據上的性能。

實現

#importing required libraries 導入必要的庫函數

from sklearn.preprocessing import MinMaxScaler

from keras.models import Sequential

from keras.layers import Dense, Dropout, LSTM

 

#creating dataframe 搭建p d的數據框架，利用循環填充框架的內容

data = df.sort_index(ascending=True, axis=0)

new_data = pd.DataFrame(index=range(0,len(df)),columns=['Date', 'Close'])

for i in range(0,len(data)):

    new_data['Date'][i] = data['Date'][i]

    new_data['Close'][i] = data['Close'][i]

 

#setting index 設定數據的索引，刨除date列

new_data.index = new_data.Date

new_data.drop('Date', axis=1, inplace=True)

 

#creating train and test sets 劃分訓練集測試集

dataset = new_data.values

 

train = dataset[0:987,:]

valid = dataset[987:,:]

 

#converting dataset into x_train and y_train 將兩個數據集歸一化處理

scaler = MinMaxScaler(feature_range=(0, 1))

#總數據集歸一化

scaled_data = scaler.fit_transform(dataset)

 #肯定正式訓練集測試集，大小是在剛剛劃分的數據集合中，按60:1的比例劃分，這裏的劃分不能算是k折交叉驗證，知道的朋友麻煩留言解答一下，感謝🙏

x_train, y_train = [], []

for i in range(60,len(train)):

    x_train.append(scaled_data[i-60:i,0])

    y_train.append(scaled_data[i,0])

#轉爲numpy格式

x_train, y_train = np.array(x_train), np.array(y_train)

 #從新改變矩陣的大小，這裏若是不理解能夠參考個人傳送門

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

 

# create and fit the LSTM network 創建模型

model = Sequential()

model.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1],1)))

model.add(LSTM(units=50))

model.add(Dense(1))

 #編譯模型，並給模型喂數據

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

model.fit(x_train, y_train, epochs=1, batch_size=1, verbose=2)

 

#predicting 246 values, using past 60 from the train data 用測試集最後的60個數據

inputs = new_data[len(new_data) - len(valid) - 60:].values

inputs = inputs.reshape(-1,1)

inputs  = scaler.transform(inputs)

 #取最終的測試集

X_test = []

for i in range(60,inputs.shape[0]):

    X_test.append(inputs[i-60:i,0])

X_test = np.array(X_test)

 #調整矩陣的規模

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

#模型預測

closing_price = model.predict(X_test)

closing_price = scaler.inverse_transform(closing_price)

#計算rms

rms=np.sqrt(np.mean(np.power((valid-closing_price),2)))

rms

 

11.772259608962642

#for plotting 繪畫結果

train = new_data[:987]

valid = new_data[987:]

valid['Predictions'] = closing_price

plt.plot(train['Close'])

plt.plot(valid[['Close','Predictions']])

推論

LSTM輕鬆地超越了咱們目前看到的任何算法。

LSTM模型能夠對各類參數進行調優，如改變LSTM層數、增長dropout值或增長訓練迭代輪數（epoch）數。

但LSTM的預測是否足以肯定股票價格將上漲仍是下跌?固然不行！

正如我在文章開頭提到的，股價受到公司新聞和其餘因素的影響，如公司的非貨幣化或合併/分拆。還有一些無形的因素每每是沒法事先預測的。

 

 

 

參考：https://www.jiqizhixin.com/articles/2019-01-04-16