一、介紹

????????在瞬息萬變的金融市場(chǎng)中，準(zhǔn)確的預(yù)測(cè)就像圣杯一樣。當(dāng)我們尋求更復(fù)雜的技術(shù)來解釋市場(chǎng)趨勢(shì)時(shí)，機(jī)器學(xué)習(xí)成為希望的燈塔。在各種機(jī)器學(xué)習(xí)模型中，長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)受到了極大的關(guān)注。當(dāng)與注意力機(jī)制相結(jié)合時(shí)，這些模型變得更加強(qiáng)大，尤其是在分析股票價(jià)格等時(shí)間序列數(shù)據(jù)時(shí)。本文深入探討了LSTM網(wǎng)絡(luò)與注意力機(jī)制相結(jié)合的有趣世界，重點(diǎn)利用雅虎財(cái)經(jīng)（yfinance）的數(shù)據(jù)預(yù)測(cè)蘋果公司（AAPL）股價(jià)接下來的四根蠟燭的模式。所有數(shù)據(jù)都在這里。

二、第 1 部分：了解 LSTM 和財(cái)務(wù)建模中的注意

2.1 LSTM 網(wǎng)絡(luò)的基礎(chǔ)知識(shí)

????????LSTM 網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò) （RNN），專門設(shè)計(jì)用于長(zhǎng)時(shí)間記憶和處理數(shù)據(jù)序列。LSTM 與傳統(tǒng) RNN 的區(qū)別在于它們能夠長(zhǎng)時(shí)間保存信息，這要?dú)w功于其獨(dú)特的結(jié)構(gòu)，包括三個(gè)門：輸入門、忘記門和輸出門。這些門協(xié)同管理信息流，決定保留什么和丟棄什么，從而緩解梯度消失的問題——這是標(biāo)準(zhǔn) RNN 中的常見問題。

????????在金融市場(chǎng)的背景下，這種記住和利用長(zhǎng)期依賴關(guān)系的能力是無價(jià)的。例如，股票價(jià)格不僅受到近期趨勢(shì)的影響，還受到隨著時(shí)間的推移建立的模式的影響。LSTM 網(wǎng)絡(luò)能夠熟練地捕獲這些時(shí)間依賴關(guān)系，使其成為金融時(shí)間序列分析的理想選擇。

2.2 注意機(jī)制：增強(qiáng)LSTM

????????注意力機(jī)制最初在自然語言處理領(lǐng)域普及，現(xiàn)已進(jìn)入包括金融在內(nèi)的其他各個(gè)領(lǐng)域。它基于一個(gè)簡(jiǎn)單而深刻的概念：并非輸入序列的所有部分都同樣重要。通過允許模型專注于輸入序列的特定部分而忽略其他部分，注意力機(jī)制增強(qiáng)了模型的上下文理解能力。

????????將注意力整合到 LSTM 網(wǎng)絡(luò)中會(huì)產(chǎn)生更集中和上下文感知的模型。在預(yù)測(cè)股票價(jià)格時(shí)，某些歷史數(shù)據(jù)點(diǎn)可能比其他數(shù)據(jù)點(diǎn)更相關(guān)。注意力機(jī)制使 LSTM 能夠更嚴(yán)格地權(quán)衡這些點(diǎn)，從而做出更準(zhǔn)確和細(xì)致的預(yù)測(cè)。

2.3 金融模式預(yù)測(cè)的相關(guān)性

????????LSTM與注意力機(jī)制的結(jié)合為金融模式預(yù)測(cè)創(chuàng)造了一個(gè)強(qiáng)大的模型。金融市場(chǎng)是一個(gè)復(fù)雜的適應(yīng)性系統(tǒng)，受多種因素影響，并表現(xiàn)出非線性特征。傳統(tǒng)模型往往無法捕捉到這種復(fù)雜性。然而，LSTM網(wǎng)絡(luò)，特別是當(dāng)與注意力機(jī)制相結(jié)合時(shí)，善于解開這些模式，提供對(duì)未來股票走勢(shì)的更深入理解和更準(zhǔn)確的預(yù)測(cè)。

????????當(dāng)我們繼續(xù)構(gòu)建和實(shí)施具有注意力機(jī)制的 LSTM 來預(yù)測(cè) AAPL 股票接下來的四根蠟燭時(shí)，我們深入研究了一個(gè)復(fù)雜的財(cái)務(wù)分析領(lǐng)域，該領(lǐng)域有望徹底改變我們?nèi)绾谓忉尯蛻?yīng)對(duì)不斷變化的股票市場(chǎng)動(dòng)態(tài)。

三、第 2 部分：設(shè)置環(huán)境

????????要開始構(gòu)建我們的 LSTM 模型并注意預(yù)測(cè) AAPL 股票模式，第一步是在 Google Colab 中設(shè)置我們的編碼環(huán)境。Google Colab 提供基于云的服務(wù)，提供免費(fèi)的 Jupyter 筆記本環(huán)境，支持 GPU，非常適合運(yùn)行深度學(xué)習(xí)模型。

！pip install tensorflow -qqq
！pip install keras -qqq
！pip install yfinance -qqq

3.1 設(shè)置環(huán)境

????????安裝后，我們可以將這些庫導(dǎo)入到我們的 Python 環(huán)境中。運(yùn)行以下代碼：

import tensorflow as tf
import keras
import yfinance as yf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# Check TensorFlow version
print("TensorFlow Version: ", tf.__version__)

????????此代碼不僅導(dǎo)入庫，還檢查 TensorFlow 版本以確保所有內(nèi)容都是最新的。

3.2 yfinance的數(shù)據(jù)采集

2.2.1 獲取歷史數(shù)據(jù)

????????要分析 AAPL 股票模式，我們需要?dú)v史股價(jià)數(shù)據(jù)。這就是 yfinance 發(fā)揮作用的地方。該庫旨在從雅虎財(cái)經(jīng)獲取歷史市場(chǎng)數(shù)據(jù)。

3.2.2. 數(shù)據(jù)下載代碼

在 Colab 筆記本中運(yùn)行以下代碼以下載 AAPL 的歷史數(shù)據(jù)：

# Fetch AAPL data
aapl_data = yf.download('AAPL', start='2020-01-01', end='2024-01-01')

# Display the first few rows of the dataframe
aapl_data.head()

????????此腳本獲取 Apple Inc. 從 2020 年 1 月 1 日到 2024 年 1 月 1 日的每日股價(jià)。您可以根據(jù)自己的喜好調(diào)整開始日期和結(jié)束日期。

3.3 數(shù)據(jù)預(yù)處理和特征選擇的重要性

????????獲取數(shù)據(jù)后，預(yù)處理和特征選擇變得至關(guān)重要。預(yù)處理涉及清理數(shù)據(jù)并使其適合模型。這包括處理缺失值、規(guī)范化或縮放數(shù)據(jù)，以及可能創(chuàng)建其他特征，如移動(dòng)平均值或百分比變化，以幫助模型更有效地學(xué)習(xí)。

????????特征選擇是關(guān)于選擇對(duì)預(yù)測(cè)變量貢獻(xiàn)最大的正確特征集。對(duì)于股票價(jià)格預(yù)測(cè)，通常使用開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)和成交量等特征。選擇提供相關(guān)信息的特征以防止模型從噪聲中學(xué)習(xí)非常重要。

在接下來的章節(jié)中，我們將對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理，并使用注意力層構(gòu)建 LSTM 模型以開始進(jìn)行預(yù)測(cè)。

四、第 3 部分：數(shù)據(jù)預(yù)處理和準(zhǔn)備

????????在構(gòu)建 LSTM 模型之前，第一個(gè)關(guān)鍵步驟是準(zhǔn)備我們的數(shù)據(jù)集。本節(jié)介紹了數(shù)據(jù)預(yù)處理的基本階段，以使 yfinance 的 AAPL 股票數(shù)據(jù)為我們的 LSTM 模型做好準(zhǔn)備。

4.1 數(shù)據(jù)清理

????????股票市場(chǎng)數(shù)據(jù)集通常包含異常或缺失值。處理這些問題以防止預(yù)測(cè)不準(zhǔn)確至關(guān)重要。

• 識(shí)別缺失值：檢查數(shù)據(jù)集中是否有任何缺失數(shù)據(jù)。如果有，您可以選擇使用正向填充或向后填充等方法填充它們，或者完全刪除這些行。

# Checking for missing values
aapl_data.isnull().sum()

# Filling missing values, if any
aapl_data.fillna(method='ffill', inplace=True)

• 處理異常：有時(shí)，由于數(shù)據(jù)收集中的故障，數(shù)據(jù)集包含錯(cuò)誤的值。如果您發(fā)現(xiàn)任何異常情況（例如不切實(shí)際的股價(jià)極端飆升），則應(yīng)糾正或刪除它們。

4.2 功能選擇

????????在股票市場(chǎng)數(shù)據(jù)中，各種特征都可能具有影響力。通常使用“開盤價(jià)”、“最高價(jià)”、“最低價(jià)”、“收盤價(jià)”和“成交量”。

• 決定功能：對(duì)于我們的模型，我們將使用“收盤價(jià)”，但您可以嘗試使用其他功能，例如“開盤價(jià)”、“最高價(jià)”、“最低價(jià)”和“成交量”。

4.3 正常化

????????歸一化是一種用于將數(shù)據(jù)集中數(shù)值列的值更改為通用比例的技術(shù)，而不會(huì)扭曲值范圍的差異。

• 應(yīng)用最小-最大縮放：這將縮放數(shù)據(jù)集，使所有輸入要素都位于 0 和 1 之間。

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0,1))
aapl_data_scaled = scaler.fit_transform(aapl_data['Close'].values.reshape(-1,1))

4.4 創(chuàng)建序列

LSTM 模型要求輸入采用序列格式。我們將數(shù)據(jù)轉(zhuǎn)換為序列，供模型學(xué)習(xí)。

• 定義序列長(zhǎng)度：選擇序列長(zhǎng)度（如 60 天）。這意味著，對(duì)于每個(gè)樣本，模型將查看過去 60 天的數(shù)據(jù)以做出預(yù)測(cè)。

X = []
y = []

for i in range(60, len(aapl_data_scaled)):
    X.append(aapl_data_scaled[i-60:i, 0])
    y.append(aapl_data_scaled[i, 0])

4.5 訓(xùn)練-測(cè)試拆分

將數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集，以正確評(píng)估模型的性能。

• 定義拆分率：通常，80% 的數(shù)據(jù)用于訓(xùn)練，20% 用于測(cè)試。

train_size = int(len(X) * 0.8)
test_size = len(X) - train_size

X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

4.6 重塑 LSTM 的數(shù)據(jù)

????????最后，我們需要將數(shù)據(jù)重塑為 LSTM 圖層所需的 3D 格式。[samples, time steps, features]

• 重塑數(shù)據(jù)：

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))

在下一節(jié)中，我們將利用這些預(yù)處理的數(shù)據(jù)來構(gòu)建和訓(xùn)練具有注意力機(jī)制的 LSTM 模型。

五、第 4 部分：使用注意力模型構(gòu)建 LSTM

在本節(jié)中，我們將深入探討 LSTM 模型的構(gòu)建，該模型具有額外的注意力機(jī)制，專為預(yù)測(cè) AAPL 股票模式而量身定制。這需要 TensorFlow 和 Keras，它們應(yīng)該已經(jīng)在 Colab 環(huán)境中設(shè)置好了。

5.1 創(chuàng)建 LSTM 圖層

????????我們的 LSTM 模型將由多個(gè)層組成，包括用于處理時(shí)間序列數(shù)據(jù)的 LSTM 層?；窘Y(jié)構(gòu)如下：

from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout, AdditiveAttention, Permute, Reshape, Multiply

model = Sequential()

# Adding LSTM layers with return_sequences=True
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(LSTM(units=50, return_sequences=True))

在此模型中，表示每個(gè) LSTM 層中的神經(jīng)元數(shù)。 unitsreturn_sequences=True在第一層中至關(guān)重要，以確保輸出包含序列，這對(duì)于堆疊 LSTM 層至關(guān)重要。當(dāng)我們?yōu)樽⒁饬訙?zhǔn)備數(shù)據(jù)時(shí)，最終的 LSTM 層不會(huì)返回序列。

5.2 整合注意力機(jī)制

????????可以添加注意力機(jī)制來增強(qiáng)模型關(guān)注相關(guān)時(shí)間步長(zhǎng)的能力：

# Adding self-attention mechanism
# The attention mechanism
attention = AdditiveAttention(name='attention_weight')
# Permute and reshape for compatibility
model.add(Permute((2, 1))) 
model.add(Reshape((-1, X_train.shape[1])))
attention_result = attention([model.output, model.output])
multiply_layer = Multiply()([model.output, attention_result])
# Return to original shape
model.add(Permute((2, 1))) 
model.add(Reshape((-1, 50)))

# Adding a Flatten layer before the final Dense layer
model.add(tf.keras.layers.Flatten())

# Final Dense layer
model.add(Dense(1))

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

# Train the model
# history = model.fit(X_train, y_train, epochs=100, batch_size=25, validation_split=0.2)

????????此自定義層計(jì)算輸入序列的加權(quán)總和，使模型能夠更加關(guān)注某些時(shí)間步長(zhǎng)。

5.3 優(yōu)化模型

????????為了提高模型的性能并降低過擬合的風(fēng)險(xiǎn)，我們包括了 Dropout 和 Batch Normalization。

from keras.layers import BatchNormalization

# Adding Dropout and Batch Normalization
model.add(Dropout(0.2))
model.add(BatchNormalization())

????????在訓(xùn)練期間，每次更新時(shí)，Dropout 都會(huì)將一部分輸入單位隨機(jī)設(shè)置為 0，從而有助于防止過擬合，而批量歸一化則穩(wěn)定了學(xué)習(xí)過程。

5.4 模型編譯

????????最后，我們使用適合回歸任務(wù)的優(yōu)化器和損失函數(shù)編譯模型。

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

??adam優(yōu)化器通常是遞歸神經(jīng)網(wǎng)絡(luò)的不錯(cuò)選擇，而均方誤差可以很好地用作像我們這樣的回歸任務(wù)的損失函數(shù)。

5.5 模型摘要

查看模型的摘要以了解其結(jié)構(gòu)和參數(shù)數(shù)是有益的。

model.summary()

六、第 5 部分：訓(xùn)練模型

????????現(xiàn)在，我們的 LSTM 模型已經(jīng)構(gòu)建好了，是時(shí)候使用我們準(zhǔn)備好的訓(xùn)練集來訓(xùn)練它了。此過程涉及將訓(xùn)練數(shù)據(jù)提供給模型并讓它學(xué)習(xí)進(jìn)行預(yù)測(cè)。

6.1 培訓(xùn)代碼

????????使用以下代碼使用 X_train和 y_train訓(xùn)練模型：

# Assuming X_train and y_train are already defined and preprocessed
history = model.fit(X_train, y_train, epochs=100, batch_size=25, validation_split=0.2)

????????在這里，我們訓(xùn)練 100 個(gè) epoch 的模型，批處理大小為 25。該參數(shù)保留了一部分訓(xùn)練數(shù)據(jù)進(jìn)行驗(yàn)證，validation_split使我們能夠在訓(xùn)練期間監(jiān)控模型在看不見的數(shù)據(jù)上的性能。

6.2 過擬合以及如何避免過擬合

????????當(dāng)模型學(xué)習(xí)特定于訓(xùn)練數(shù)據(jù)的模式時(shí)，就會(huì)發(fā)生過擬合，這些模式不會(huì)泛化到新數(shù)據(jù)。以下是避免過度擬合的方法：

1. 驗(yàn)證集：使用驗(yàn)證集（正如我們?cè)谟?xùn)練代碼中所做的那樣）有助于監(jiān)控模型在看不見的數(shù)據(jù)上的性能。
2. 提前停止：當(dāng)模型在驗(yàn)證集上的性能開始下降時(shí)，此技術(shù)將停止訓(xùn)練。在 Keras 中實(shí)現(xiàn)提前停止很簡(jiǎn)單：

from keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(monitor='val_loss', patience=10)
history = model.fit(X_train, y_train, epochs=100, batch_size=25, validation_split=0.2, callbacks=[early_stopping])

1. 在這里，如果驗(yàn)證損失連續(xù) 10 個(gè)周期沒有改善，則表示訓(xùn)練將停止。patience=10
2. 正則化技術(shù)：像 Dropout 和 Batch Normalization 這樣的技術(shù)已經(jīng)包含在我們的模型中，也有助于減少過擬合。

可選：這些是更多回調(diào)

from keras.callbacks import ModelCheckpoint, ReduceLROnPlateau, TensorBoard, CSVLogger

# Callback to save the model periodically
model_checkpoint = ModelCheckpoint('best_model.h5', save_best_only=True, monitor='val_loss')

# Callback to reduce learning rate when a metric has stopped improving
reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=5)

# Callback for TensorBoard
tensorboard = TensorBoard(log_dir='./logs')

# Callback to log details to a CSV file
csv_logger = CSVLogger('training_log.csv')

# Combining all callbacks
callbacks_list = [early_stopping, model_checkpoint, reduce_lr, tensorboard, csv_logger]

# Fit the model with the callbacks
history = model.fit(X_train, y_train, epochs=100, batch_size=25, validation_split=0.2, callbacks=callbacks_list)

七、第 6 部分：評(píng)估模型性能

????????訓(xùn)練模型后，下一步是使用測(cè)試集評(píng)估其性能。這將使我們了解我們的模型可以很好地推廣到新的、看不見的數(shù)據(jù)。

7.1 使用測(cè)試集進(jìn)行評(píng)估

????????為了評(píng)估模型，我們首先需要準(zhǔn)備測(cè)試數(shù)據(jù)X_test（），就像我們對(duì)訓(xùn)練數(shù)據(jù)所做的那樣。然后，我們可以使用模型的函數(shù)：???????evaluate

# Convert X_test and y_test to Numpy arrays if they are not already
X_test = np.array(X_test)
y_test = np.array(y_test)

# Ensure X_test is reshaped similarly to how X_train was reshaped
# This depends on how you preprocessed the training data
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# Now evaluate the model on the test data
test_loss = model.evaluate(X_test, y_test)
print("Test Loss: ", test_loss)

7.2 性能指標(biāo)

????????除了損失之外，其他指標(biāo)還可以提供對(duì)模型性能的更多見解。對(duì)于像我們這樣的回歸任務(wù)，常見指標(biāo)包括：

1. 平均絕對(duì)誤差 （MAE）：它測(cè)量一組預(yù)測(cè)中誤差的平均幅度，而不考慮其方向。
2. 均方根誤差 （RMSE）：這是預(yù)測(cè)和實(shí)際觀測(cè)值之間平方差平均值的平方根。

為了計(jì)算這些指標(biāo)，我們可以使用我們的模型進(jìn)行預(yù)測(cè)，并將它們與實(shí)際值進(jìn)行比較：

from sklearn.metrics import mean_absolute_error, mean_squared_error

# Making predictions
y_pred = model.predict(X_test)

# Calculating MAE and RMSE
mae = mean_absolute_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred, squared=False)

print("Mean Absolute Error: ", mae)
print("Root Mean Square Error: ", rmse)

型：

• 平均絕對(duì)誤差 （MAE）：0.0724（大約）
• 均方根誤差 （RMSE）：0.0753（近似值）

????????MAE 和 RMSE 都是回歸模型預(yù)測(cè)準(zhǔn)確性的度量。以下是他們所指出的：

????????MAE 測(cè)量一組預(yù)測(cè)中誤差的平均幅度，而不考慮其方向。它是預(yù)測(cè)和實(shí)際觀察之間絕對(duì)差異的檢驗(yàn)樣本的平均值，其中所有個(gè)體差異的權(quán)重相等。MAE 為 0.0724 意味著平均而言，模型的預(yù)測(cè)值與實(shí)際值相差約 0.0724 個(gè)單位。

????????RMSE 是一種二次評(píng)分規(guī)則，也測(cè)量誤差的平均幅度。它是預(yù)測(cè)值和實(shí)際觀測(cè)值之間差值平方值的平方根。RMSE對(duì)大誤差的權(quán)重相對(duì)較高。這意味著當(dāng)大錯(cuò)誤特別不受歡迎時(shí)，RMSE 應(yīng)該更有用。RMSE 為 0.0753 意味著當(dāng)誤差越大受到懲罰時(shí)，模型的預(yù)測(cè)平均與實(shí)際值相差 0.0753 個(gè)單位。

????????這些指標(biāo)將幫助您了解模型的準(zhǔn)確性以及需要改進(jìn)的地方。通過分析這些指標(biāo)，您可以就進(jìn)一步調(diào)整模型或更改方法做出明智的決策。

????????在下一節(jié)中，我們將討論如何使用該模型進(jìn)行實(shí)際的庫存模式預(yù)測(cè)，以及將此模型部署到實(shí)際應(yīng)用中的實(shí)際注意事項(xiàng)。

八、第 7 部分：預(yù)測(cè)接下來的 4 根蠟燭

????????在用注意力機(jī)制訓(xùn)練和評(píng)估了我們的 LSTM 模型后，最后一步是利用它來預(yù)測(cè) AAPL 股價(jià)接下來的 4 根蠟燭（天）。

8.1 做出預(yù)測(cè)

????????為了預(yù)測(cè)未來的股票價(jià)格，我們需要為模型提供最新的數(shù)據(jù)點(diǎn)。假設(shè)我們準(zhǔn)備了最近 60 天的數(shù)據(jù)，格式與 ： 相同，并且我們想要預(yù)測(cè)第二天的價(jià)格：X_train

import yfinance as yf
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# Fetching the latest 60 days of AAPL stock data
data = yf.download('AAPL', period='60d', interval='1d')

# Selecting the 'Close' price and converting to numpy array
closing_prices = data['Close'].values

# Scaling the data
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(closing_prices.reshape(-1,1))

# Since we need the last 60 days to predict the next day, we reshape the data accordingly
X_latest = np.array([scaled_data[-60:].reshape(60)])

# Reshaping the data for the model (adding batch dimension)
X_latest = np.reshape(X_latest, (X_latest.shape[0], X_latest.shape[1], 1))

# Making predictions for the next 4 candles
predicted_stock_price = model.predict(X_latest)
predicted_stock_price = scaler.inverse_transform(predicted_stock_price)

print("Predicted Stock Prices for the next 4 days: ", predicted_stock_price)

????????讓我們預(yù)測(cè)未來 4 天的價(jià)格：

import yfinance as yf
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# Fetch the latest 60 days of AAPL stock data
data = yf.download('AAPL', period='60d', interval='1d')

# Select 'Close' price and scale it
closing_prices = data['Close'].values.reshape(-1, 1)
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(closing_prices)

# Predict the next 4 days iteratively
predicted_prices = []
current_batch = scaled_data[-60:].reshape(1, 60, 1)  # Most recent 60 days

for i in range(4):  # Predicting 4 days
    # Get the prediction (next day)
    next_prediction = model.predict(current_batch)
    
    # Reshape the prediction to fit the batch dimension
    next_prediction_reshaped = next_prediction.reshape(1, 1, 1)
    
    # Append the prediction to the batch used for predicting
    current_batch = np.append(current_batch[:, 1:, :], next_prediction_reshaped, axis=1)
    
    # Inverse transform the prediction to the original price scale
    predicted_prices.append(scaler.inverse_transform(next_prediction)[0, 0])

print("Predicted Stock Prices for the next 4 days: ", predicted_prices)

8.2 預(yù)測(cè)的可視化

????????直觀地將預(yù)測(cè)值與實(shí)際股票價(jià)格進(jìn)行比較可能會(huì)非常有見地。以下是將預(yù)測(cè)股價(jià)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比的代碼：

!pip install mplfinance -qqq
import pandas as pd
import mplfinance as mpf
import matplotlib.dates as mpl_dates
import matplotlib.pyplot as plt

# Assuming 'data' is your DataFrame with the fetched AAPL stock data
# Make sure it contains Open, High, Low, Close, and Volume columns

# Creating a list of dates for the predictions
last_date = data.index[-1]
next_day = last_date + pd.Timedelta(days=1)
prediction_dates = pd.date_range(start=next_day, periods=4)

# Assuming 'predicted_prices' is your list of predicted prices for the next 4 days
predictions_df = pd.DataFrame(index=prediction_dates, data=predicted_prices, columns=['Close'])

# Plotting the actual data with mplfinance
mpf.plot(data, type='candle', style='charles', volume=True)

# Overlaying the predicted data
plt.figure(figsize=(10,6))
plt.plot(predictions_df.index, predictions_df['Close'], linestyle='dashed', marker='o', color='red')

plt.title("AAPL Stock Price with Predicted Next 4 Days")
plt.show()

8.3 預(yù)測(cè)的最終視覺對(duì)象：

import pandas as pd
import mplfinance as mpf
import matplotlib.dates as mpl_dates
import matplotlib.pyplot as plt

# Fetch the latest 60 days of AAPL stock data
data = yf.download('AAPL', period='64d', interval='1d') # Fetch 64 days to display last 60 days in the chart

# Select 'Close' price and scale it
closing_prices = data['Close'].values.reshape(-1, 1)
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(closing_prices)

# Predict the next 4 days iteratively
predicted_prices = []
current_batch = scaled_data[-60:].reshape(1, 60, 1)  # Most recent 60 days

for i in range(4):  # Predicting 4 days
    next_prediction = model.predict(current_batch)
    next_prediction_reshaped = next_prediction.reshape(1, 1, 1)
    current_batch = np.append(current_batch[:, 1:, :], next_prediction_reshaped, axis=1)
    predicted_prices.append(scaler.inverse_transform(next_prediction)[0, 0])

# Creating a list of dates for the predictions
last_date = data.index[-1]
next_day = last_date + pd.Timedelta(days=1)
prediction_dates = pd.date_range(start=next_day, periods=4)

# Adding predictions to the DataFrame
predicted_data = pd.DataFrame(index=prediction_dates, data=predicted_prices, columns=['Close'])

# Combining both actual and predicted data
combined_data = pd.concat([data['Close'], predicted_data['Close']])
combined_data = combined_data[-64:] # Last 60 days of actual data + 4 days of predictions

# Plotting the actual data
plt.figure(figsize=(10,6))
plt.plot(data.index[-60:], data['Close'][-60:], linestyle='-', marker='o', color='blue', label='Actual Data')

# Plotting the predicted data
plt.plot(prediction_dates, predicted_prices, linestyle='-', marker='o', color='red', label='Predicted Data')

plt.title("AAPL Stock Price: Last 60 Days and Next 4 Days Predicted")
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend()
plt.show()

九、結(jié)論

????????在本指南中，我們探討了將 LSTM 網(wǎng)絡(luò)與注意力機(jī)制用于股價(jià)預(yù)測(cè)的復(fù)雜而迷人的任務(wù)，特別是針對(duì) Apple Inc. （AAPL）。關(guān)鍵點(diǎn)包括：

• LSTM 捕獲時(shí)間序列數(shù)據(jù)中長(zhǎng)期依賴關(guān)系的能力。
• 注意力機(jī)制在關(guān)注相關(guān)數(shù)據(jù)點(diǎn)方面的額外優(yōu)勢(shì)。
• 構(gòu)建、訓(xùn)練和評(píng)估 LSTM 模型的詳細(xì)過程。

????????雖然具有注意力的 LSTM 模型功能強(qiáng)大，但它們也有局限性：文章來源地址http://www.zghlxwxcb.cn/news/detail-854688.html

• 假設(shè)歷史模式將以類似的方式重演可能會(huì)有問題，尤其是在動(dòng)蕩的市場(chǎng)中。
• 歷史價(jià)格數(shù)據(jù)中沒有捕捉到的外部因素，如市場(chǎng)新聞和全球事件，可以顯著影響股價(jià)。

到了這里，關(guān)于使用 LSTM 和 TensorFlow 中的注意力機(jī)制進(jìn)行高級(jí)股票形態(tài)預(yù)測(cè)：Apple Inc. （AAPL） 數(shù)據(jù)分步指南的文章就介紹完了。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)！