利用 LSTM 神经网络预测股价走势
LSTM 神经网络
长短期记忆 (LSTM) 神经网络属于循环神经网络 (RNN) 的一种,特别适合处理和预测与时间序列相关的重要事件。以下面的句子作为一个上下文推测的例子:
“我从小在法国长大,我会说一口流利的??”
由于同一句话前面提到”法国“这个国家,且后面提到“说”这个动作。因此,LSTM便能从”法国“以及”说“这两个长短期记忆中重要的讯号推测出可能性较大的”法语“这个结果。
K线图与此类似,股价是随着时间的流动及重要讯号的出现而做出反应的:
在价稳量缩的盘整区间中突然出现一带量突破的大红K,表示股价可能要上涨了
在跳空缺口后出现岛状反转,表示股价可能要下跌了
在连涨几天的走势突然出现带有长上下影线的十字线,表示股价有反转的可能
LSTM 要做的事情就是找出一段时间区间的K棒当中有没有重要讯号(如带量红K)并学习预测之后股价的走势。
LSTM 股价预测实例
数据是以鸿海(2317)从2013年初到2017年底每天的开盘价、收盘价、最高价、最低价、以及成交量等数据。
首先将数据写入并存至pandas的DataFrame,另外对可能有N/A的row进行剔除:
数据写入:
import pandas as pdfoxconndf= pd.read_csv('./foxconn_2013-2017.csv', index_col=0 )
foxconndf.dropna(how='any',inplace=True)
為了避免原始数据太大或是太小没有统一的范围而导致 LSTM 在训练时难以收敛,我们以一个最小最大零一正规化方法对数据进行修正:
from sklearn import preprocessingdef normalize(df):newdf= df.copy()min_max_scaler = preprocessing.MinMaxScaler()newdf['open'] = min_max_scaler.fit_transform(df.open.values.reshape(-1,1))newdf['low'] = min_max_scaler.fit_transform(df.low.values.reshape(-1,1))newdf['high'] = min_max_scaler.fit_transform(df.high.values.reshape(-1,1))newdf['volume'] = min_max_scaler.fit_transform(df.volume.values.reshape(-1,1))newdf['close'] = min_max_scaler.fit_transform(df.close.values.reshape(-1,1))return newdffoxconndf_norm= normalize(foxconndf)
然后对数据进行训练集与测试集的切割,另外也定义每一笔数据要有多长的时间框架:
import numpy as npdef data_helper(df, time_frame):# 数据维度: 开盘价、收盘价、最高价、最低价、成交量, 5维number_features = len(df.columns)# 将dataframe 转换为 numpy arraydatavalue = df.as_matrix()result = []# 若想要观察的 time_frame 為20天, 需要多加一天作为验证答案for index in range( len(datavalue) - (time_frame+1) ): # 从 datavalue 的第0个跑到倒数第 time_frame+1 个result.append(datavalue[index: index + (time_frame+1) ]) # 逐笔取出 time_frame+1 个K棒数值做為一笔 instanceresult = np.array(result)number_train = round(0.9 * result.shape[0]) # 取 result 的前90% instance 作为训练数据x_train = result[:int(number_train), :-1] # 训练数据中, 只取每一个 time_frame 中除了最后一笔的所有数据作为featurey_train = result[:int(number_train), -1][:,-1] # 训练数据中, 取每一个 time_frame 中最后一笔数据的最后一个数值(收盘价)作为答案# 测试数据x_test = result[int(number_train):, :-1]y_test = result[int(number_train):, -1][:,-1]# 将数据组成变好看一点x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], number_features))x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], number_features)) return [x_train, y_train, x_test, y_test]# 以20天为一区间进行股价预测
X_train, y_train, X_test, y_test = data_helper(foxconndf_norm, 20)
我们以 Keras 框架作为 LSTM 的模型选择,首先在前面加了两层 256个神经元的 LSTM layer,并都加上了Dropout层来防止数据过度拟合(overfitting)。最后再加上两层有不同数目神经元的全连结层来得到只有1维数值的输出结果,也就是预测股价:
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.layers.recurrent import LSTM
import kerasdef build_model(input_length, input_dim):d = 0.3model = Sequential()model.add(LSTM(256, input_shape=(input_length, input_dim), return_sequences=True))model.add(Dropout(d))model.add(LSTM(256, input_shape=(input_length, input_dim), return_sequences=False))model.add(Dropout(d))model.add(Dense(16,kernel_initializer="uniform",activation='relu'))model.add(Dense(1,kernel_initializer="uniform",activation='linear'))model.compile(loss='mse',optimizer='adam', metrics=['accuracy'])return model# 20天、5维
model = build_model( 20, 5 )
建立好 LSTM 模型后,我们就用前面编辑好的训练数据集开始进行模型的训练:LSTM 模型训练
# 一个batch有128个instance,总共跑50个迭代
model.fit( X_train, y_train, batch_size=128, epochs=50, validation_split=0.1, verbose=1)
在经过一段时间的训练过程后,我们便能得到 LSTM 模型(model)。接着再用这个模型对测试数据进行预测,以及将预测出来的数值(pred)与实际股价(y_test)还原回原始股价的大小区间:
LSTM 模型预测股价及还原数值
def denormalize(df, norm_value):original_value = df['close'].values.reshape(-1,1)norm_value = norm_value.reshape(-1,1)min_max_scaler = preprocessing.MinMaxScaler()min_max_scaler.fit_transform(original_value)denorm_value = min_max_scaler.inverse_transform(norm_value)return denorm_value# 用训练好的 LSTM 模型对测试数据集进行预测
pred = model.predict(X_test)# 将预测值与实际股价还原回原来的区间值
denorm_pred = denormalize(foxconndf, pred)
denorm_ytest = denormalize(foxconndf, y_test)
LSTM 预测股价结果
让我们把还原后的数值与实际股价画出来,看看效果如何:
LSTM 预测股价结果
import matplotlib.pyplot as plt
%matplotlib inline plt.plot(denorm_pred,color='red', label='Prediction')
plt.plot(denorm_ytest,color='blue', label='Answer')
plt.legend(loc='best')
plt.show()
如下图,蓝线是实际股价、红线是预测股价。虽然整体看起来预测股价与实际股价有类似的走势,但仔细一看预测股价都比实际股价落后了几天。
所以我们来调整一些设定:
时间框架长度的调整
Keras 模型里全连结层的 activation 与 optimizaer 的调整
Keras 模型用不同的神经网路(种类、顺序、数量)来组合
batch_size
的调整、epochs
的调整 …
经过我们对上述的几个参数稍微调整过后,我们就得到一个更贴近实际股价的预测结果啦。
E N D
利用 LSTM 神经网络预测股价走势相关推荐
- 深度学习之利用卷积神经网络预测股票走势
卷积神经网络项目是我在华泰实习的过程中做的一个项目,主要是用卷积神经网络来预测股票的走势,现在对项目做一个总结. 报告详情: [华泰金工林晓明团队]人工智能选股之卷积神经网络--华泰人工智能系列之十五 ...
- 深度学习前沿 | 利用GAN预测股价走势
本文是对于medium上Boris博主的一篇文章的学习笔记,这篇文章中利用了生成对抗性网络(GAN)预测股票价格的变动,其中长短期记忆网络LSTM是生成器,卷积神经网络CNN是鉴别器,使用贝叶斯优化( ...
- 神经网络预测股价python talib_用机器学习来预测股价(代码+文档)——2018年iNTUtion决赛大作!...
原标题:用机器学习来预测股价(代码+文档)--2018年iNTUtion决赛大作! 本期作者:Roman Moser 本期翻译:deigozhao 未经授权,严禁转载 机器学习和深度学习在时间序列数据 ...
- python预测股票 keras_使用LSTM模型预测股价基于Keras
本期作者:Derrick Mwiti 本期翻译:HUDPinkPig 未经授权,严禁转载 编者按:本文介绍了如何使用LSTM模型进行时间序列预测.股票市场的数据由于格式规整和非常容易获得,是作为研究的 ...
- python神经网络预测股价_用Python预测股票价格变化
长短期记忆(英语:Long Short-Term Memory,LSTM)神经网络,是一种时间递归神经网络(RNN),该网络适合于处理和预测时间序列中间隔和延迟非常长的重要事件,如股票价格预测和水文预 ...
- 利用BP神经网络预测水道浅滩演变
论文 <基于现代技术的河道浅滩演变研究> 利用BP神经网络来预测浅滩演变 BP输出因子:浅滩的年平均淤积厚度以及浅滩上最小水深,是反映浅滩变化的两个基本指标,是确定浅滩航道尺度能否满足航行 ...
- 教你打造股市晴雨表——通过LSTM神经网络预测股市
作者介绍: Jakob Aungiers 现就职于汇丰银行伦敦总部,担任全球资产管理的开发副总裁.擅长机器学习,神经网络等领域. (以下为译文) 谈及机器学习,神经网络无疑是当前的热门话题.因此,在网 ...
- 利用LSTM实现预测时间序列(股票预测)
目录 1. 作者介绍 2. tushare 简介 3. LSTM简介 3.1 循环神经网络 (Recurrent Neural Networks) 3.2 LSTM网络 3.2.1 LSTM的核心思想 ...
- 【ELAMN预测】基于Elman神经网络预测股价附matlab代码
1 简介 为了更好地把握股票价格的波动,应用了在处理序列数据输入输出具有优越性的E lman递归神经网络建立股市预测模型,并用两支股票进行了检测,检测结果说明人工神经网络应用于中国股票市场的预测是可行 ...
- Python 时间序列建模:用指数平滑法预测股价走势
指数平滑方法适用于非平稳数据(即具有趋势和/或季节性的数据),其工作方式类似于指数移动平均线.预测是过去观察的加权平均值.这些模型更加强调最近的观察结果,因为权重随时间呈指数级变小.平滑方法很受欢迎, ...
最新文章
- 一次Ping1000个IP会怎么样?
- ABAP 时间月份的F4帮助
- 从SOURCE_BUFFER单元开始存放了20个字母A, 编程将这20个字母A的字符串传送到DEST_BUFFER开始的单元中.
- 浅谈手机游戏测试的要点
- 【今晚9点】:对话刘连响——web流媒体开发新变化
- 有法院被执行人记录还能贷款吗?
- Kali安装magescan评估工具
- 上海1.3万座玻璃幕墙建筑“一网统管”
- 分布式存储首选,浪潮商用机器FP5466G2服务器测评分析
- 打包部署时jar包和war包的区别
- 创建Java源代码文件----开始编写代码
- 洛天依官方原版mmd模型_【MMD模型】天羽音官方MMD模型配布
- 基于C++和QT实现的第三人称RPG游戏编辑器设计
- ​【NeurIPS 2022】IPMT:用于小样本语义分割的中间原型挖掘Transformer
- Sublime and Markdown
- 【python】re解析和re模块
- 小明一家过桥,过桥时是黑夜_过桥:如何过渡到软件开发的职业
- java用一张一元票换一分_一张一分纸币更换两张一元纸币,知道收藏价值后,你也会更换!...
- 控制系统仿真技术(一)仿真软件-MATLAB
- 笔记:caffe安装编译,并用ssd gpu训练自己的数据集