LSTM模型预测股票价格

围绕 LSTM（Long Short-Term Memory）神经网络的原理，展示如何使用Python和深度学习库Keras构建LSTM模型，以及如何使用这个模型来预测时间序列数据。

以股票价格预测为例，这是LSTM在金融领域的常见应用。

LSTM 用于处理序列数据，如时间序列、文本和音频。相对于传统的RNN，LSTM更擅长捕获长期依赖关系，因为它包含了一种称为"门"的机制，可以控制信息的流动。

LSTM单元的核心组成部分包括遗忘门（forget gate）、输入门（input gate）、细胞状态（cell state）和输出门（output gate）。

LSTM的核心公式：

案例：股票价格预测

# 导入必要的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras.optimizers import Adam

# 读取股票价格数据
data = pd.read_csv('dataset\stock_data.csv')
data.head()

prices = data['Close'].values
prices

# 数据预处理：归一化
scaler = MinMaxScaler()
prices = scaler.fit_transform(prices.reshape(-1, 1))
prices

# 划分数据集为训练集和测试集
train_size = int(len(prices) * 0.7)
train_data, test_data = prices[:train_size], prices[train_size:]
# 创建时间窗口数据
# 定义一个名为create_sequences的函数，接受两个参数：data和seq_length
def create_sequences(data, seq_length):
    # 初始化一个空列表以存储序列
    sequences = []

    # 遍历数据，直到数据的长度减去seq_length
    for i in range(len(data) - seq_length):
        # 提取长度为seq_length的数据子序列，并将其添加到sequences列表中
        sequences.append(data[i:i+seq_length])

    # 将sequences列表转换为NumPy数组，然后返回它
    return np.array(sequences)

# 设置序列长度为10
seq_length = 10

# 创建训练数据的输入序列X_train，使用create_sequences函数将train_data划分成长度为seq_length的序列
X_train = create_sequences(train_data, seq_length)

# 创建训练数据的输出标签y_train，这是从第seq_length个数据点开始的所有数据点
y_train = train_data[seq_length:]

# 创建测试数据的输入序列X_test，使用create_sequences函数将test_data划分成长度为seq_length的序列
X_test = create_sequences(test_data, seq_length)

# 创建测试数据的输出标签y_test，同样是从第seq_length个数据点开始的所有数据点
y_test = test_data[seq_length:]


# 创建LSTM模型
model = Sequential()

# 向模型添加一个LSTM层，其中50是LSTM层中的神经元数量，input_shape指定了输入数据的形状，(seq_length, 1) 表示输入数据为长度为seq_length的序列，每个时间步的输入维度为1
model.add(LSTM(50, input_shape=(seq_length, 1)))

# 向模型添加一个全连接层(Dense层)，该层用于输出预测结果，这里是一个标量，因此神经元数量为1
model.add(Dense(1))

# 编译模型，指定损失函数为均方误差（mean squared error），优化器为Adam，学习率为0.001
model.compile(loss='mean_squared_error', optimizer=Adam(learning_rate=0.001))

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=64) 


# 预测未来股价
predicted_prices = model.predict(X_test)

# 反归一化预测结果
predicted_prices = scaler.inverse_transform(predicted_prices)
y_test = scaler.inverse_transform(y_test)

# 绘制预测结果
plt.plot(y_test, label='True Prices')
plt.plot(predicted_prices, label='Predicted Prices')
plt.legend()
plt.xlabel('Time Steps')
plt.ylabel('Stock Price')
plt.title('Stock Price Prediction using LSTM')
plt.show()