最近我们被客户要求撰写关于预测股票的研究报告，包括一些图形和统计输出。

该项目包括：

自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
将时间序列数据转换为分类问题。
使用 TensorFlow 的 LSTM 模型
由 MSE 衡量的预测准确性

GPU 设置（如果可用）

gpus = tf.config.experimental.li

读取数据集

有几种方法可以获取股市数据。以下数据集是使用 R BatchGetSymbols 生成的。

#加载数据集
# ref.date是数组的第一列
datang = read_csv('stopriceo.csv', header=0)

pd.pivot_table(datong)

我们的股票时间序列

我们为这个项目选择了微软（股票代码 MSFT）。

plt.rrms['fgre.dpi'] = 300plt.plot(dfte['MSFT'])

时间序列显然不是平稳的，这是大多数预测模型所假设的属性。我们可以对时间序列应用变换，直到它达到平稳状态。Dickey-Fuller 检验使我们能够确定我们的时间序列是否具有季节性。

在这里，我们将应用对数转换来解决股票市场的指数行为。

其他有助于预测模型的转换：

移动平均线
差分化


df1 = datt['MSFT']# 我们对数据集进行了对数转换
df1 = np.log(df1)


# 替代方案：我们可以对时间序列进行差分，从而去除季节性和平均值的变化。
# 创建一个差分序列#dfdiff = diffe(df1,1)

预处理

在这里，我们对时间序列数据应用标准预处理。

在时间序列中，我们没有标签，但我们有时间序列的未来值，因此输出可以是 x(t)，给定 x(t-1) 作为输入。这是将数据集构建为监督问题的一种实用（且直观）的方法。

scaer = ixSer(fatue_ange = (0,1))
scer.i_rrm(np.array(df1).rehape(-1,1))

LSTM 模型

我们在这里实现了一个堆叠的 LSTM 模型。

LSTM 网络是一种递归神经网络，能够学习序列预测问题中的序列依赖性。LSTM 模型主要用于语音识别、自然语言处理的上下文中。最近，它们也被应用于时间序列数据的分析。

from tensorflow.keras.models import Sequential model.add(LSTM(50, retsueces = True
#stacked LSTM
model.add(Dropout(0.1))

history

plt.plot(history.history

表现

import math
from sklearn.metrics import mean_squared_error

plt.rcParams['figure.dpi'] = 300
plt.rcParams['savefig.dpi'] = 300
#移位预测
lokback = ie_step
trinPrectPot = numpy.empty_like(df1)
traireditPlot[:,:] = np.nanin_y = scaler.nesetsfrm(df1)
plt.plot


plt.plot(iv_y)

未来 30 天的预测

我们现在可以递归地应用该模型，通过估计第二天的 (t+1) 价格，然后再次将其作为输入来推断 t+2 天的价格，依此类推。这个预测当然会有更大的误差，因为每个预测的日子都会带来很大的不确定性。然而，这个预测确实会告诉我们模型是否从过去的数据中学到了任何东西。

# 预测未来30天的情况
len(tesdata) # 1211
# 我认为在test_data中，最后一天是5月22日，例如
# 对于5月23日，我需要100个前一天的数据 x_input = test_data[(len


while(i<ftue_teps):if(len(tep_put)>ie_sep):x_input = np.array(tepinut[1:])x_input = x_input.reshap

plt.plot(dy_ew, scaler.inverse_transf


plt.plot(df3[1000:])

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性相关推荐

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性...
全文链接:http://tecdat.cn/?p=26562 该项目包括: 自 2000 年 1 月以来的股票价格数据.我们使用的是 Microsoft 股票. 将时间序列数据转换为分类问题. 使用 ...
RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测
全文链接:http://tecdat.cn/?p=25133 2017 年年中,R 推出了 Keras 包 _,_这是一个在 Tensorflow 之上运行的综合库,具有 CPU 和 GPU 功能(点 ...
tensorflow应用：双向LSTM神经网络手写数字识别
tensorflow应用:双向LSTM神经网络手写数字识别思路 Python程序1.建模训练保存 Tensorboard检查计算图及训练结果打开训练好的模型进行预测思路将28X28的图片看成2 ...
数据代码分享|PYTHON用NLP自然语言处理LSTM神经网络TWITTER推特灾难文本数据、词云可视化...
全文下载链接:http://tecdat.cn/?p=28877 作者:Yunfan Zhang Twitter是一家美国社交网络及微博客服务的网站,致力于服务公众对话.迄今为止,Twitter的日活 ...
递归神经网络RNN——LSTM
递归神经网络RNN--LSTM 1.LSTM的产生原因及优点 2.LSTM网络结构 3.LSTM工作机制 4.LSTM Attention 机制关于LSTM模型,看懂这篇文章就OK了,不用再看别的了 ...
深度学习～循环神经网络RNN, LSTM
目录 1. 循环神经网络RNN 1.1 RNN出现背景 1.2 RNN概念 2. LSTM 2.1 LSTM出现背景 2.2 LSTM结构参考 1. 循环神经网络RNN 1.1 RNN出现背景 pr ...
深度学习笔记——循环神经网络RNN/LSTM
原文来自知乎专栏NLP进阶之路,作者韦伟. 以下文章是摘录了原文部分内容的学习笔记,侵删. 循环神经网络(Rerrent Neural Network) RNN是神经网络的一种,RNN对具有序列特性的 ...
python应用（3）svm模型预测股票涨跌
最近接了一个私活,指导学妹完成毕业设计.核心思想就是利用SVM模型来预测股票涨跌,并完成策略构建,自动化选择最优秀的股票进行资产配置. 在做这个项目的过程中,我体会到想成为一个合格的数据分析或者数据挖 ...
【Python金融量化 9- 100 】九、预测股票收益方法总结
背景介绍: 量化投资有两大主流门派:主动投资和被动投资.这也代表了不同的学术观点:市场到底是不是有效的? 如果市场是有效的,那我们一定能找到赚钱的办法,只要付诸足够的努力,再加上一点点小小的天赋,我们 ...

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性