写在前面

之前一直纠结于DL框架的选用，直到看到了《Practical Time Series Analysis》这本书，了解到Keras的简洁与高效，使我更加坚定了使用Keras的决心,不过由于其高度模块化，对一些功能的定制不支持，所以熟练使用后还是要Torch|Tensorflow进行训练（个人理解）。

本文代码部分基于Packt出版社的《Practical Time Series Analysis》一书第五章——深度学习以进行时间序列预测，做了一些更改，数据使用上证指数（本文使用网易财经的免费下载接口->下载地址），需要本书Ebook的可以私信我。

代码及其解释

# 用于训练&测试数据的分割（设置时间点）
from datetime import datetimeimport pandas as pd
import numpy as np
import matplotlib.pyplot as plt# 使用sklearn中的MinMaxScaler函数处理数据（归一化）
from sklearn.preprocessing import MinMaxScaler# 使用sklearn中的MAE函数，计算平均绝对误差
from sklearn.metrics import mean_absolute_error as MAE# 使用tk库绘制图形，便于图形的调整
import matplotlib as mpl
mpl.use('TkAgg')# 加载数据&格式化数据
def import_csv(stock_code, rows):df = pd.read_csv(stock_code + '.csv', encoding='gbk')df.rename(columns={'日期': 'date', '收盘价': 'close'}, inplace=True)df.sort_values(by='date', inplace=True)df = df[['date', 'close']][-rows:]df['date'] = pd.to_datetime(df['date'])df.reset_index(drop=True, inplace=True)return dfstock_code = '000001'# 选取全部数据的后7000个值作为模型的数据
df = import_csv(stock_code, 7000)# 箱形图绘制，用于可视化收盘价的中心趋势和离散程度
# import seaborn as sns
# plt.figure()
# fig1 = sns.boxplot(df['close'])
# fig1.set_title('Box plot of %s'%stock_code)
# plt.show()# 数据正规化处理
scaler = MinMaxScaler(feature_range=(0, 1))
df['scaled_close'] = scaler.fit_transform(np.array(df['close']).reshape(-1, 1))# 数据集划分处理
split_date = datetime(year=2019, month=9, day=27)
df_train = df.loc[df['date'] < split_date]
df_val = df.loc[df['date'] >= split_date]
df_val.reset_index(drop=True, inplace=True)# print(df_train.shape, df_val.shape)
# exit()def makeXy(df, time_steps):# 用于生成训练模型的数组数据# 使用过去time_steps长度的数据来预测下一天的数据X = []y = []for i in range(time_steps, df.shape[0]):X.append(list(df.loc[i - time_steps:i - 1]))y.append(df.loc[i])X, y = np.array(X), np.array(y)return X, ytime_steps = 5
# 生成训练数据
X_train, y_train = makeXy(df_train['scaled_close'], time_steps)
X_val, y_val = makeXy(df_val['scaled_close'], time_steps)X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1))
X_val = X_val.reshape((X_val.shape[0], X_val.shape[1], 1))# print(X_train.shape, y_train.shape)
# print(X_val.shape, y_val.shape)
# exit()def train_model():from keras.layers import Dense, Input, Dropoutfrom keras.layers.recurrent import LSTMfrom keras.models import Modelfrom keras.optimizers import Adamfrom keras.callbacks import ModelCheckpoint# 定义LSTM神经网络层结构(利用函数式AP构建)input_layer = Input(shape=(time_steps, 1), dtype='float32')lstm_layer1 = LSTM(64, input_shape=(time_steps, 1), return_sequences=True)(input_layer)lstm_layer2 = LSTM(32, input_shape=(time_steps, 64), return_sequences=False)(lstm_layer1)dropout_layer = Dropout(.5)(lstm_layer2)output_layer = Dense(1, activation='linear')(dropout_layer)optimizer = Adam(lr=0.05, beta_1=0.9, beta_2=0.99, epsilon=0.1, decay=0.0, amsgrad=False)ts_model = Model(inputs=input_layer, outputs=output_layer)# 编译模型ts_model.compile(loss='mean_absolute_error', optimizer=optimizer)# ts_model.summary();exit() # 输出模型层结构# 存储损失函数最小值时的模型为hdf文件save_all = ModelCheckpoint('%s_LSTM_weights.{epoch:02d}-{val_loss:.4f}.h5' % stock_code,monitor='val_loss', verbose=0, save_best_only=True,save_weights_only=False, mode='min', period=1)# 开始训练模型(拟合)ts_model.fit(x=X_train, y=y_train, batch_size=16,epochs=25, verbose=2, callbacks=[save_all],validation_data=(X_val, y_val), shuffle=True)# 首次运行程序得到误差最小的模型权重
# 第二次运行注释掉下面两行代码，自行添加最优模型的文件名
# 即可得到模型的预测结果，最后绘制成图
train_model()
exit()# 读取最优模型
from keras.models import load_modelbest_model = load_model('%s_LSTM_weights.21-0.0053.h5' % stock_code)
# 预测
preds = best_model.predict(X_val)
# 处理预测的数据（降维，便于2D绘图）
pred_close = np.squeeze(scaler.inverse_transform(preds))# 输出MAE信息
mae = MAE(df_val['close'].loc[time_steps:], pred_close)
print('MAE : ', round(mae, 4))# 设置绘制的图形的步长
plot_steps = 100plt.figure()plt.plot(range(plot_steps), df_val['close'].loc[time_steps:plot_steps + time_steps - 1], linewidth=1., color='r')
plt.plot(range(plot_steps), pred_close[:plot_steps], linewidth=1., color='b')# 设置图例
plt.legend(['Actual', 'Predicted'], loc=2)
plt.title('Actual & Predicted %s close_price' % stock_code)# 设置标签
plt.ylabel('close_price')
plt.xlabel('Index')plt.show()
# 存图
plt.savefig('LSTM_%s_.png' % stock_code, format='png', dpi=300)

图1

模型的缺点&分析

由于输入的数据只有收盘价信息，导致这个模型的输出出现了很严重的滞后性。如果选用股价波动幅度不大的股票进行预测，其滞后性会小一些，但依然存在。
影响股价波动的因素有很多，如市场信息、政策调整、复权拆股等，从这些方面进行分析可能会改进模型。
股价波动是一种随机游走现象，这个观点已经被证明，所以使用框架进行预测只能得到一个大致的趋势信息，不具有普适性，鉴于此，可以通过金融学的相关知识来分析，可能会得到一些好的结果。（上面提到的那本书中前几章有提到）
可以使用Tensorflow&PyTorch框架进一步定制模型，使用更好的优化算法等使得模型Robust性加强。

⋯⋯\cdots\cdots⋯⋯

后记

时间序列预测的滞后性问题比较明显，针对这个问题需要结合具体数据进行分析，找到关键的一两个点，就会有所突破。

Ubuntu训练模型确实快。还没调成GPU速度就已经比Windows下用GPU快很多了。。

使用Keras框架进行单变量时间序列预测——以上证指数为例相关推荐

深度学习时间序列预测：LSTM算法构建时间序列单变量模型预测大气压（ air pressure）+代码实战
深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测大气压( air pressure)+代码实战长短期记忆(Long short-term memory, LSTM)是一种特殊的RNN,主 ...
深度学习时间序列预测：卷积神经网络（CNN）算法构建单变量时间序列预测模型预测空气质量（PM2.5）+代码实战
深度学习时间序列预测:卷积神经网络(CNN)算法构建单变量时间序列预测模型预测空气质量(PM2.5)+代码实战神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络 ...
深度学习时间序列预测：GRU算法构建单变量时间序列预测模型+代码实战
深度学习时间序列预测:GRU算法构建单变量时间序列预测模型+代码实战 GRU(Gate Recurrent Unit)是循环神经网络(Recurrent Neural Network, RNN)的一种 ...
深度学习时间序列预测：LSTM算法构建时间序列单变量模型预测空气质量（PM2.5）+代码实战
深度学习时间序列预测:LSTM算法构建时间序列单变量模型预测空气质量(PM2.5)+代码实战 # 导入需要的包和函数: from __future__ import print_function im ...
【时间序列】单变量时间序列平滑方法介绍
时间序列是由按时间排序的观察单位组成的数据.可能是天气数据.股市数据.,也就是说它是由按时间排序的观察值组成的数据. 在本文中将介绍和解释时间序列的平滑方法,时间序列统计方法在另一篇文章中进行了解释. ...
金融计量模型（七）：线性时间序列模型——单变量时间序列
文章目录线性时间序列模型--单变量时间序列平稳性严平稳弱平稳自相关函数(ACF) 检验单个ACF 联合检验白噪声线性时间序列 AR模型 AR(1) AR(2) AR(p) 识别AR模型 ...
用神经网络做单变量时序预测，如何构造神经网络的输入呢?
用神经网络做单变量时序预测,如何构造神经网络的输入呢? 单变量时序预测是一种常见的时间序列分析问题,神经网络可以用于对单变量时序数据进行预测.神经网络的输入通常是过去一段时间的数据,输出是未来一个时间 ...
DL之Keras：基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典，建议收藏)
DL之Keras:基于Keras框架建立模型实现[预测]功能的简介.设计思路.案例分析.代码实现之详细攻略(经典,建议收藏) 目录 Keras框架使用分析 Keras框架设计思路案例分析代码实现 ...
序列每天从1开始_时间序列预测一
什么是时间序列: 时间序列可以看作是普通的二维的无序的特征矩阵向时间空间的拓展,相对来说多了仅仅一个维度但也是非常重要的时间维度: 时间序列是按时间顺序进行的一系列观察,通常包括了连续性时间序列数据和 ...

使用Keras框架进行单变量时间序列预测——以上证指数为例

文章目录

写在前面

代码及其解释

模型的缺点&分析

后记

使用Keras框架进行单变量时间序列预测——以上证指数为例相关推荐

最新文章

热门文章