一、對(duì)時(shí)間序列的理解：

? ? ? ? 時(shí)間序列是按照一定時(shí)間間隔排列的數(shù)據(jù)，時(shí)間間隔可以是任意時(shí)間單位，通過對(duì)時(shí)間序列的分析，我們可以探尋到其中的現(xiàn)象以及變化規(guī)律，并將這些信息用于預(yù)測。這就需要一系列的模型，用于將原始時(shí)間序列數(shù)據(jù)放進(jìn)模型中進(jìn)行訓(xùn)練，并用訓(xùn)練好的時(shí)間序列模型來預(yù)測未知的時(shí)間序列。

提供的數(shù)據(jù)：

? ? ? ? “中國平安”2016-2018年股票數(shù)據(jù)，背景為平安保險(xiǎn)集團(tuán)。數(shù)據(jù)預(yù)覽如下：

?通過預(yù)覽數(shù)據(jù)，可知此次實(shí)驗(yàn)的數(shù)據(jù)屬性為date(日期)、open(開盤價(jià))、high(最高價(jià))、low(最低價(jià))、close(收盤價(jià)）以及volume(成交量)

? ? ? ? 其中，我們要實(shí)現(xiàn)股票預(yù)測，需要著重對(duì)close(收盤價(jià))一列進(jìn)行探索性分析。

二、使用LSTM進(jìn)行時(shí)序預(yù)測

? ? ? ? 模型介紹：

? ? ? ? 包括遺忘門、輸入門、輸出門。LSTM將這些卡口作為去除或者增加細(xì)胞狀態(tài)的工具。門是一種讓信息選擇式通過的方法，他們包含一個(gè)sigmoid神經(jīng)網(wǎng)絡(luò)層和一個(gè)按位的乘法操作。

? ? ? ? 其中，每一個(gè)sigmoid會(huì)輸出0到1之間的數(shù)值，描述每個(gè)部分有多少量可以通過。0表示不允許任何量通過，1表示允許任意量通過。

? ? ? ? LSTM通過三個(gè)門，保護(hù)和控制細(xì)胞狀態(tài)。

建模思路（包括數(shù)據(jù)處理、模型分塊、建模、模型優(yōu)化、檢驗(yàn)等）

（1）數(shù)據(jù)處理：

? ? ? ? 導(dǎo)入數(shù)據(jù)，提取數(shù)據(jù)集的date日期和close收盤價(jià)兩列，作為建模預(yù)測的對(duì)象。

? ? ? ? 模型分塊，設(shè)置測試集規(guī)模以及滑塊大小，現(xiàn)將數(shù)據(jù)歸一化處理，轉(zhuǎn)化為tensor可以識(shí)別的數(shù)據(jù)，再將原數(shù)據(jù)設(shè)定為滑塊為1，每調(diào)用1批次的數(shù)據(jù)，將其添加到列表，從而實(shí)現(xiàn)二維數(shù)據(jù)轉(zhuǎn)三維數(shù)據(jù)，再切分訓(xùn)練集、測試集。

? ? ?建模步驟（依據(jù)上述思路進(jìn)行建模，詳細(xì)描述過程）

? ? ? ? 定義網(wǎng)絡(luò)層：LSTM層（神經(jīng)元個(gè)數(shù)：16，激活函數(shù)：relu)

? ? ? ? 全連接層（神經(jīng)元個(gè)數(shù)：1，激活函數(shù)：relu，正則化：l2范數(shù)）

? ? ? ? 模型實(shí)例化并裝配網(wǎng)絡(luò)（優(yōu)化器：采用自適應(yīng)梯度優(yōu)化算法Adam，學(xué)習(xí)率設(shè)定為0.1，損失函數(shù)采用交叉熵函數(shù)，評(píng)價(jià)指標(biāo)采用準(zhǔn)確率）

? ? ? ? 訓(xùn)練模型，設(shè)定訓(xùn)練批次為50，每批次樣本量為100.

#使用LSTM進(jìn)行預(yù)測
import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow.keras.layers import Input,Dropout,Dense,LSTM
from tensorflow.keras.models import Model
from tensorflow.keras import regularizers
import tensorflow.keras as keras
np.random.seed(100)
# 選取隨機(jī)種子個(gè)數(shù)100個(gè)

????????

# 設(shè)置神經(jīng)網(wǎng)絡(luò)參數(shù)
# 提取收盤價(jià)
y=stock['close']
print(y)
# 數(shù)據(jù)預(yù)處理
test_ratio=0.4
windows=1
# 設(shè)置滑塊大小
# 定義測試集規(guī)模
# # 通過比例切分
# 測試集大小
from sklearn.preprocessing import MinMaxScaler
data_lsvm=y.values

scaler=MinMaxScaler(feature_range=(0, 1))
data_lsvm=scaler.fit_transform(data_lsvm.reshape(-1,1))



print(data_lsvm)

cut=round(test_ratio* data_lsvm.shape[0])
print(data_lsvm.shape[0])
print('切分：',cut)
train,test=data_lsvm[:data_lsvm.shape[0]-cut,:],data_lsvm[data_lsvm.shape[0]-cut:,:]
amount_of_features=data_lsvm.shape[1]
lstm_input=[]
data_temp=data_lsvm
for i in range(len(data_temp)-windows):

    lstm_input.append(data_lsvm[i:i+windows,:])
lstm_input=np.array(lstm_input)
lstm_output=y[:-windows]

lstm_output=np.array(lstm_output)
x_train,y_train,x_test,y_test=lstm_input[:data_lsvm.shape[0]-cut,:],lstm_output[:data_lsvm.shape[0]-cut],lstm_input[data_lsvm.shape[0]-cut:,:],lstm_output[data_lsvm.shape[0]-cut:]
print(x_train.shape,y_train.shape,x_test.shape,y_test.shape)
x_train

mn_units=16
dropout=0.01
# # 定義網(wǎng)絡(luò)全連接層
#
def lstm_model():
    inputs=Input(shape=(windows,amount_of_features))

    # lstm層
    rnn = LSTM(units=mn_units, activation='relu',return_sequences=False)(inputs)
    dense=Dropout(dropout)(rnn)
#     dense1=Dense(16,activation='sigmoid',kernel_regularizer=regularizers.l2(0.1))(dense)
#     dense2=Dense(8,activation='relu',kernel_regularizer=regularizers.l2(0.1))(dense)
    outputs=Dense(1,activation='relu',kernel_regularizer=regularizers.l2(0.5))(dense)
    model=Model(inputs=inputs,outputs=outputs)

    model.compile(optimizer=keras.optimizers.Adam(0.1),loss=tf.losses.BinaryCrossentropy(),metrics=['accuracy'])

    model.summary()
    return model
#
batch_size=100
#
epoch=50
# 訓(xùn)練網(wǎng)絡(luò)
mymodel=lstm_model()
history = mymodel.fit(x_train,y_train,batch_size=batch_size,epochs=epoch)
y_train_predict=mymodel.predict(x_test)

fig= plt.figure(figsize=(8, 5))
plt.plot(history.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

（3）預(yù)測結(jié)果（數(shù)據(jù)、擬合圖等）

評(píng)估結(jié)果：

隨著訓(xùn)練次數(shù)增多，loss值逐漸減小。

將預(yù)測后的數(shù)據(jù)進(jìn)行評(píng)估，并將預(yù)測結(jié)果反歸一化，如圖：

# print(mymodel.metrics_names)
loss,acc=mymodel.evaluate(x_test,y_test)
print('評(píng)估結(jié)果',loss,acc)

y_train_predict=mymodel.predict(x_train)#預(yù)測結(jié)果
y_test_predict=mymodel.predict(x_test)#預(yù)測結(jié)果
print('預(yù)測結(jié)果',y_train_predict,y_test_predict)
print(y_test_predict.shape)

#反歸一化


trainPredict=scaler.inverse_transform(y_train_predict)
testPredict = scaler.inverse_transform(y_test_predict)
data_lsvmx=scaler.inverse_transform(data_lsvm)
# y_test = scaler.inverse_transform(y_test)
print(len(trainPredict),len(testPredict))
data_lsvmx

?反歸一化后的結(jié)果：

# 預(yù)測結(jié)果

testPredict=pd.DataFrame(testPredict)
close_new=testPredict
close_new.columns=['new_close']
stock_new=stock.iloc[:-windows,:]

# 訓(xùn)練集預(yù)測結(jié)果
trainPredict=pd.DataFrame(trainPredict)
train_date=stock_new[:data_lsvm.shape[0]-cut].loc[:,['date']]
new_date_train=train_date.reset_index()

new_date_train=new_date_train.drop('index',axis=1)
print(new_date_train)
new_date=stock_new[data_lsvm.shape[0]-cut:].loc[:,['date']]
new_date=new_date.reset_index()
new_date=new_date.drop('index',axis=1)
# date=pd.concat([new_date_train,new_date],axis=0)
new_predict=pd.concat([new_date,close_new],axis=1)

新的預(yù)測結(jié)果：

?作圖：

# 構(gòu)建通過訓(xùn)練集進(jìn)行預(yù)測的圖表數(shù)據(jù)
predict_train_plot = np.empty_like(data_lsvm)
predict_train_plot[:, :] = np.nan
predict_train_plot[:data_lsvm.shape[0]-cut, :] = trainPredict
# 構(gòu)建通過測試集進(jìn)行預(yù)測的圖表數(shù)據(jù)
predict_test_plot = np.empty_like(data_lsvm)
predict_test_plot[:, :] = np.nan
predict_test_plot[data_lsvmx.shape[0]-cut+1:, :] = testPredict

# 原數(shù)據(jù)
data_plot = np.empty_like(data_lsvmx)
data_plot[:, :] = np.nan
data_plot[:, :] = data_lsvmx

# # 構(gòu)建通過原數(shù)據(jù)進(jìn)行擬合的圖表數(shù)據(jù)
date=stock.loc[:,['date']]
type(date["date"])

最后繪制預(yù)測圖：

fig2 = plt.figure(figsize=(10, 5))
dataset = scaler.inverse_transform(data_lsvm)
plt.plot(date["date"],predict_train_plot, color='green')
plt.plot(date["date"],predict_test_plot, color='red')
plt.plot(date["date"],data_plot, color='blue')
plt.xticks(range(0,730,80))
plt.show()

?????????通過構(gòu)建訓(xùn)練集進(jìn)行預(yù)測的圖表數(shù)據(jù)和通過測試集進(jìn)行預(yù)測的圖表數(shù)據(jù)，以及原數(shù)據(jù)的圖表數(shù)據(jù)。

? ? ? ? 由圖可知，該模型預(yù)測的價(jià)格走勢和原數(shù)據(jù)走勢大體吻合。文章來源地址http://www.zghlxwxcb.cn/news/detail-468972.html

到了這里，關(guān)于時(shí)間序列預(yù)測股票數(shù)據(jù)—以LSTM模型為例的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！