A-A+

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

2020年04月27日 12:08 汪洋大海 暂无评论 阅读 296 views 次

LSTM全称长短期记忆人工神经网络(Long-Short Term Memory),是对RNN的变种。

长短期记忆模型(long-short term memory)是一种特殊的RNN模型,是为了解决反向传播过程中存在梯度消失和梯度爆炸现象,通过引入门(gate)机制,解决了RNN模型不具备的长记忆性问题

传统的线性模型难以解决多变量或多输入问题,而神经网络如LSTM则擅长于处理多个变量的问题,该特性使其有助于解决时间序列预测问题。

先准备训练数据,我用的是用tushare获取的600673东阳光的数据,数据是csv格式,上传为附件(点击可以下载):
东阳光 股票数据

全部代码如下(代码为全部代码,复制可以直接运行):

1. 导入需要用到的库

Python
#import需要用到的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
Python
import tensorflow.keras
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Embedding, LSTM, SpatialDropout1D, SimpleRNN, GRU, Flatten

2.读入数据文件,加载到内存中

Python
# 读入数据文件
df = pd.read_csv('./600673.csv', encoding='gbk')
# 展示数据
df.head() # 显示DataFrame的前若干行,默认为5

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

数据说明:

列名 说明
date 日期
open 开盘价
high 最高价
close 收盘价
low 最低价
volume 成交量
price_change 价格变动
p_change 涨跌幅
ma5 5日均价
ma10 10日均价
ma20 20日均价
v_ma5 5日均量
v_ma10 10日均量
v_ma20 20日均量
label 标签,需要预测出的后一天收盘价

3. 对数据进行处理,去掉日期,因为日期对训练无用,已经按照日期排序了

Python
data = df.iloc[:,1:].values
# 展示数据
df.iloc[:,1:].head()

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

4. 写个例子对数据进行处理,数据标准化,数据量纲不同,数值大小差别很大。数据中,有的为纯小数如0.98,有的数据动辄上万,两者不具有可比性,因此我们需要引入数据标准化。数据标准化处理主要包括数据同趋化和无量纲化处理。

数据标准化的方法有很多种,如:Min-max标准化、Z-score标准化等。

Min-max标准化公式为:新数据=(原始数据-最小值)/(最大值-最小值)

Z-score标准化公式为:新数据=(原始数据-均值)/ 标准差

这个地方可以参考:归一化 z-score标准化

本案例中采用的标准化方式为Z-score标准化,数据如下:

Python
df_demo = df.iloc[:,1:].head()
df_demo = (df_demo - np.mean(df_demo,axis=0))/np.std(df_demo,axis=0)
df_demo

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

下面是数据特征归一化:

LSTM对输入数据的规模很敏感,特别是当使用sigmoid(默认)或tanh激活函数时。需要将数据重新调整到0到1的范围(也称为标准化)。本实验使用scikit-learn库中的MinMaxScaler预处理类实现数据集的规范化

Python
#获取Data中的数据,形式为数组array形式
data = df.iloc[:,1:].values
#确保所有数据为float类型
data=data.astype('float32')
 
# 特征的归一化处理
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(data)
print(scaled)

以上两种方法选择一个就好!

5. 数据集获取函数:

Python
# 获取训练集
def get_train_data(time_step,train_begin,train_end):
    
    data_train=data[train_begin:train_end]
    y_ = data_train[time_step:train_end, 13]
#     mean, std = np.mean(data_test, axis=0), np.std(data_test, axis=0)
#     mean, std = [],[]
#     normalized_train_data=(data_train-np.mean(data_train,axis=0))/np.std(data_train,axis=0)  #标准化
    normalized_train_data = data_train
    train_x,train_y=[],[]   #训练集x和y
    for i in range(len(normalized_train_data)-time_step):
        x=normalized_train_data[i:i+time_step,:13]
#         y=normalized_train_data[i+time_step:i+1+time_step,13,np.newaxis]
        y=normalized_train_data[i+time_step:i+1+time_step,13]
        train_x.append(x.tolist())
        train_y.append(y.tolist())
    mean, std = np.mean(train_y, axis=0), np.std(train_y, axis=0)    
    train_x,train_y,mean,std = np.array(train_x), np.array(train_y),np.array(mean), np.array(std)
    train_x=(train_x-np.mean(train_x,axis=0))/np.std(train_x,axis=0)  #标准化
    train_y=(train_y-np.mean(train_y,axis=0))/np.std(train_y,axis=0)  #标准化
    return train_x,train_y,mean,std, y_
Python
# 获得训练集的数据及其标签和batch_size
print(data.shape)
train_x, train_y, _, _,_= get_train_data(50, 0, 300) #这个50是我自己用的需要你们去调,time_step为20,即每一组数据长度为20
test_x, test_y, test_mean, test_std, test_y_= get_train_data(50, 300, 400)

print(train_x.shape)
print(train_y.shape)
print(test_x.shape)
print(test_y.shape)
print(test_mean.shape)
print(test_std.shape)
print(test_y_.shape)

6. 构建神经网络(当然我弄的模型只是很简单的例子,需要你们自己去调整模型,包括损失函数为交叉熵,优化方法为Adam,模型评价标准这些都需要你们自己去调整,因为我的训练结果并不好):

Python
## 初始化序列模型
model = Sequential()
## RNN层,在输入后的线性转换步骤添加随机失活,在循环阶段的线性转换也添加随机失活,失活概率都为0.2
model.add(LSTM(128, input_shape=(50, 13), dropout=0.2, recurrent_dropout=0.2, return_sequences=False))
model.add(Dropout(0.5))
# model.add(LSTM(64, dropout=0.2, recurrent_dropout=0.2, return_sequences=True))
# model.add(Dropout(0.5))
# model.add(LSTM(1, dropout=0.2, recurrent_dropout=0.2, return_sequences=False))
# model.add(Dropout(0.5))
# model.add(Flatten())
# model.add(Dense(1, activation='relu'))
model.add(Dense(1))

## 定义损失函数为交叉熵,优化方法为Adam,模型评价标准为分类正确率
model.compile(loss='mse', optimizer='Adam', metrics=['accuracy'])
## 查看模型概要
print(model.summary())

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

7. 模型训练

Python
# 模型训练(这里面的参数需要你自己来调,我用的这些数据训练的结果并不好)
history = model.fit(x=train_x, y=train_y, ## 指定训练数据 
                    batch_size=500, ## batch大小为100
                    epochs=500, ## 迭代100轮 
                    validation_data=(test_x,test_y))

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

8. 用训练模型进行预测:

Python
x, y, x_mean, y_std, y_label= get_train_data(50,465, 565)
print(x.shape)
print(x)
print(x_mean.shape)
print(y_std.shape)
print(y_label.shape)
# x = np.expand_dims(x, 1)
result = model.predict(x, batch_size=1)
print(result.shape)
print(result)
# result = result[0, 49, 0]
# 将标准化的数据还原至真实数据值,并且计算测试集偏差
result=np.array(result)*y_std+x_mean
print(result.shape)

# 将标准化的数据还原至真实数据值,并且计算测试集偏差
# result=np.array(result)*test_std[13]+test_mean[13]
# print(result)

result = np.squeeze(result)
print(y_std, x_mean)
print(y_label)
print(result)

9 . 折线图展示:

Python
# 折线图展示
plt.figure(figsize=(300,150))
data_list=[str(i) for i in range(0, 50)]
plt.plot(data_list[0:49], y_label[0:49], color='r', linewidth=15)
plt.plot(data_list, result, color='b', linewidth=15)
plt.xlabel('date')
plt.ylabel('stock index')
#plt.plot(list(range(len(test_predict))), test_predict, color='b')
#plt.plot(list(range(len(test_y))), test_y, color='r')
plt.show()

Tensorflow:基于LSTM的股票预测模型对股票的收盘价进行预测(Keras实现)

归纳总结:

本案例首先介绍了RNN、LSTM神经网络,再用Python实现了LSTM对股票收盘价的预测。

股价走势预测属于时间序列预测,数据为东阳光(sh600673)的收盘价。

主要使用的库为TensorFlow,是Python中常见的用于搭建神经网络的库。

而其它使用到的库有:多用于科学计算的NumPy库、常见于数据分析任务的Pandas库、负责绘图展示的Matplotlib库。

除本案例提到的库之外,还有sklearn库和keras库等机器学习常见的库,都是应该熟练掌握的库。

此外,对于股票收盘价走势预测这一任务,本案例仅使用了东阳光的收盘价这一指标,而其它指标理论上也具有参考价值,可以作为本案例的升级版。

文章来源:https://www.qiquanji.com/post/160.html

布施恩德可便相知重

微信扫一扫打赏

支付宝扫一扫打赏

×

给我留言