深度学习LSTM之预测股票价格

已于 2024-07-14 20:24:17 修改
阅读量1k 收藏 19
点赞数 35
分类专栏： 机器学习 文章标签： 深度学习 lstm 人工智能
于 2024-07-13 09:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Network_Engineer/article/details/140380362
版权

在本文中，我们将分析两个使用深度学习模型的代码示例。第一个代码用于训练LSTM模型来预测股票价格，第二个代码使用训练好的模型进行预测并可视化结果。我们将详细介绍每段代码的功能，所用到的深度学习模型及其原理，并扩展介绍激活函数的使用。

代码一：训练LSTM模型

代码逐段分析
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.preprocessing import MinMaxScaler

首先，导入了必要的库：numpy用于数值计算，matplotlib用于绘图，pandas用于数据处理，tensorflow.keras用于构建和训练神经网络模型，sklearn.preprocessing用于数据归一化。

数据预处理
# Part 1 - Data Preprocessing
# Importing the libraries
dataset_train = pd.read_csv('data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train[::-1]  # 反序
training_set = dataset_train.iloc[:, [1]].values

读取训练数据，并将数据反转，使得数据按时间顺序排列。training_set提取了开盘价数据。

# Feature Scaling
sc = MinMaxScaler(feature_range=(0, 1))
training_set_scaled = sc.fit_transform(training_set)

使用MinMaxScaler对数据进行归一化，将数据缩放到[0, 1]范围内。

# Creating a data structure with 60 timesteps and 1 output
X_train = []
y_train = []
for i in range(60, 2035):
    X_train.append(training_set_scaled[i - 60:i, 0])
    y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)

将数据转换为时间序列结构，即使用前60个时间步的数据预测下一个时间步的输出。X_train和y_train分别存储输入和输出的训练数据。

# Reshaping
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

将训练数据重塑为LSTM层所需的三维输入格式。

构建和训练LSTM模型
# Part 2 - Building the RNN
# Initialising the RNN
model = tf.keras.Sequential()

初始化一个顺序模型。

# Adding the first LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(layers.Dropout(0.2))
# Adding a second LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True))
model.add(layers.Dropout(0.2))
# Adding a third LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True))
model.add(layers.Dropout(0.2))
# Adding a fourth LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50))
model.add(layers.Dropout(0.2))

添加四层LSTM层，每层包含50个单元，前三层设置return_sequences=True以返回每个时间步的输出。每层LSTM后添加Dropout层以防止过拟合。

# Adding the output layer
model.add(layers.Dense(units=1))

添加一个全连接层作为输出层，输出单个预测值。

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

使用Adam优化器和均方误差（MSE）损失函数编译模型。

# Fitting the RNN to the Training set
model.fit(X_train, y_train, epochs=100, batch_size=32)
model.save("data/stockLSTM.h5")

训练模型100个周期，每批次处理32个样本。训练完成后，将模型保存到文件中。

代码二：使用训练好的LSTM模型进行预测

代码逐段分析
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.preprocessing import MinMaxScaler

model = tf.keras.models.load_model("data/stockLSTM.h5")

导入必要的库，并加载之前训练好的LSTM模型。

数据预处理
dataset_train = pd.read_csv('data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train[::-1]  # 反序
training_set = dataset_train.iloc[:, [1]].values
# Feature Scaling
sc = MinMaxScaler(feature_range=(0, 1))
training_set_scaled = sc.fit_transform(training_set)

读取训练数据并进行归一化处理，与代码一中的处理方式相同。

# Making the predictions and visualising the results
# Getting the real stock price of 2017
dataset_test = pd.read_csv('data/stocktest.csv')
dataset_test = dataset_test[::-1]  # 反序
real_stock_price = dataset_test.iloc[:, [1]].values

读取测试数据并反转，获取2017年的真实股票价格。

# Getting the predicted stock price of 2017
dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis=0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1, 1)
inputs = sc.transform(inputs)

将训练数据和测试数据合并，获取用于预测的输入数据，并进行归一化处理。

X_test = []
for i in range(60, 76):
    X_test.append(inputs[i - 60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

将测试数据转换为时间序列结构，以便输入到LSTM模型中。

模型预测和结果可视化
predicted_stock_price = model.predict(X_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)

使用训练好的LSTM模型对测试数据进行预测，并将预测值反归一化。

# Visualising the results
plt.plot(real_stock_price, color='red', label='Real TATA Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted TAT Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()

print(abs(real_stock_price - predicted_stock_price).sum()/len(real_stock_price))

绘制真实值与预测值的对比图，以红色表示真实股票价格，蓝色表示预测股票价格。计算并输出预测误差的平均绝对值。

深度学习模型：LSTM

第一个代码使用的是长短期记忆（LSTM）网络，这是循环神经网络（RNN）的一种变体。LSTM通过引入三个门控机制（输入门、遗忘门和输出门），解决了标准RNN中的长期依赖问题。

LSTM的工作原理
  • 输入门：控制输入到当前时刻的信息有多少会被存储到细胞状态。
  • 遗忘门：控制细胞状态中有多少信息会被保留。
  • 输出门：控制有多少细胞状态的信息会被输出到下一层。

激活函数

在深度学习模型中，激活函数是非常重要的一部分。它们引入了非线性，使得神经网络能够学习和表示复杂的模式。

常见的激活函数

  1. Sigmoid：
    [
    \sigma(x) = \frac{1}{1 + e^{-x}}
    ]
    输出值在0和1之间。常用于输出层进行二分类问题。

  2. Tanh：
    [
    \tanh(x) = \frac{e^x - e{-x}}{ex + e^{-x}}
    ]
    输出值在-1和1之间，常用于隐藏层，效果通常优于Sigmoid。

  3. ReLU（Rectified Linear Unit）：
    [
    \text{ReLU}(x) = \max(0, x)
    ]
    是目前最流行的激活函数，因其计算简单且能有效缓解梯度消失问题。

  4. Leaky ReLU：
    [
    \text{Leaky ReLU}(x) = \begin{cases}
    x & \text{if } x \ge 0 \
    \alpha x & \text{if } x < 0
    \end{cases}
    ]
    是ReLU的变体，允许小部分负值通过，有效解决ReLU的“死亡”问题。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.preprocessing import MinMaxScaler

# Part 1 - Data Preprocessing
# Importing the libraries
dataset_train = pd.read_csv('data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train[::-1]  #反序
training_set = dataset_train.iloc[:, [1]].values
# print(dataset_train.head())
# Feature Scaling
sc = MinMaxScaler(feature_range=(0, 1))
training_set_scaled = sc.fit_transform(training_set)
# Creating a data structure with 60 timesteps and 1 output
X_train = []
y_train = []
for i in range(60, 2035):
    X_train.append(training_set_scaled[i - 60:i, 0])
    y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)
# Reshaping
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

# Part 2 - Building the RNN
# Initialising the RNN
model = tf.keras.Sequential()
# Adding the first LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(layers.Dropout(0.2))
# Adding a second LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True))
model.add(layers.Dropout(0.2))
# Adding a third LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50, return_sequences=True))
model.add(layers.Dropout(0.2))
# Adding a fourth LSTM layer and some Dropout regularisation
model.add(layers.LSTM(units=50))
model.add(layers.Dropout(0.2))
# Adding the output layer
model.add(layers.Dense(units=1))
# Compiling the RNN
model.compile(optimizer='adam', loss='mean_squared_error')
# Fitting the RNN to the Training set
model.fit(X_train, y_train, epochs=100, batch_size=32)

model.save("data/stockLSTM.h5")

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.preprocessing import MinMaxScaler

model = tf.keras.models.load_model("data/stockLSTM.h5")

dataset_train = pd.read_csv('data/NSE-TATAGLOBAL.csv')
dataset_train = dataset_train[::-1]  #反序
training_set = dataset_train.iloc[:, [1]].values
# Feature Scaling
sc = MinMaxScaler(feature_range=(0, 1))
training_set_scaled = sc.fit_transform(training_set)
# Making the predictions and visualising the results
# Getting the real stock price of 2017
dataset_test = pd.read_csv('data/stocktest.csv')
dataset_test = dataset_test[::-1]  #反序
real_stock_price = dataset_test.iloc[:, [1]].values
# Getting the predicted stock price of 2017
dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis=0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1, 1)
inputs = sc.transform(inputs)
X_test = []
for i in range(60, 76):
    X_test.append(inputs[i - 60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
predicted_stock_price = model.predict(X_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)

# Visualising the results
plt.plot(real_stock_price, color='red', label='Real TATA Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted TAT Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()

print(abs(real_stock_price - predicted_stock_price).sum()/len(real_stock_price))

在这里插入图片描述

结论

以上两个代码示例，我们了解了如何使用LSTM模型进行时间序列数据的预测，并深入探讨了LSTM模型的工作原理和激活函数的作用。希望这篇博客能帮助你更好地理解和应用深度学习模型。

Network_Engineer
关注
  • 35
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
基于神经网络算法LSTM模型对股票指数进行预测
毕业作品网站
07-28 4832
在复杂的股票市场环境中，神经网络算法在股票预测中已经得到了广泛使用，这是由于其自身具有较好的学习性能和高度的模拟能力，相对于传统的经济计量学方法，神经网络在金融时间序列预测方面更具优势。近年来，国内外学者对于在股票市场的神经网络预测问题做了很多的研究工作。Shapiro…将神经网络、遗传算法和粗糙集组合成集成算法对股票市场价格趋势进行综合预测，但是文中没有作对比验证，而且模型中没有考虑到金融时间序列的依赖关系，预测结果并不客观；...
股票预测（LSTM）
01-24
文件利用lstm进行股票第二日最高价预测，偏差大概在百分之一点五左右，里面有数据集，还有其他获取数据的代码，是进行预测的方法
竞赛选题 LSTM的预测算法 - 股票预测 天气预测 房价预测
Mr.D学长
06-17 1295
🧿。
基于LSTM的股票价格预测
热门推荐
weixin_45722572的博客
07-12 1万+
本文通过LSTM来对股票未来价格进行预测，并介绍一下数据获取、处理，pytorch的模型搭建和训练等等。
LSTM股票价格预测
As_Yan_Do的博客
05-08 6825
ID：399899 注： 这里使用的数据源是Tushare LSTM股票价格预测实验 实验介绍 使用LSTM进行股票价格的预测，用到的框架主要包括：TensorFlow2.0，主要用于深度学习算法的构建，本实验以Tushare平台的601398股票历史数据为基础，基于Keras深度学习库股票价格进行预测。 算法原理： 这里就不对模型原理进行介绍了 这里引用一下别人的 需要的朋友去看一下https://juejin.cn/post/6973082167970627620 搭建思路： 使用LSTM模型对股票数
使用LSTM模型进行股票价格预测
weixin_57266891的博客
07-02 2355
我们在for loop的第一步，将数据集的前60个数据作为training data的第一组数据，并将第61个数据作为对应的y。这里我们把window size设定为60，model会用60天的数据来预测第61天的数据。还是一样，先将test数据转换成numpy array，再改变数据的shape，令它可以被输入到model中。下一步我们把数据类型转换为numpy array，并改变数据的shape，令它符合LSTM模型的输入要求。我们可以使用一支股票最后60天的数据来预测未来一天的股价。
pytorch利用LSTM实现对股票进行多变量多步预测
09-10
在PyTorch中，利用LSTM（长短时记忆网络）进行多变量多步股票预测是一项常见的任务，它涉及金融市场的数据分析、时间序列预测以及深度学习技术。以下将详细阐述这一主题的相关知识点。 首先，我们需要理解LSTM的...
基于matlab编程的的长短期神经网络LSTM的股票价格的预测，基于深度学习神经网络的股票价格预测
04-27
基于MATLAB编程实现的LSTM神网络，实现对股票价格的预测，包含数据，M文件，代码可以直接运行近年来，股票预测处于一个很热门的阶段， 由于股票市场的波动十分巨大，导致股民很难对股票进行投资盈利。因为股票预测是...
基于深度学习lstm的股票收盘价预测论文. 详细教程
02-10
在本文中，我们将深入探讨如何使用基于深度学习的LSTM（长短期记忆）网络来预测股票收盘价。LSTM是一种特殊的循环神经网络（RNN），特别适合处理序列数据，如时间序列分析，因为它能捕获长期依赖性。在这个详细教程...
【Python深度学习】LSTM股票预测模型 - 源码库+数据集+完整教程
05-09
基于LSTM（Long Short-Term Memory）模型的股票预测模型是一个应用深度学习技术来分析和预测股票市场走势的工具。该模型特别适用于处理和预测时间序列数据，能够学习股票价格随时间变化的复杂模式。 此Python资源...
利用LSTM原理预测股市
12-05
利用深度学习的长短记忆原理（LSTM）对美国纳斯达克股市进行预测。
LSTM预测股价代码
11-17
Time series forecasting using LSTM.
毕业设计-基于深度学习算法LSTM来进行股票收盘价格预测Python源码+文档说明
最新发布
07-02
使用深度学习算法LSTM来进行股票收盘价格预测 安装教程 在PyCharm编辑器中，先运行 requirements.txt 文件安装所需要的包 使用说明 拷贝一个日线数据文件到本目录下 修改 stockFile 为你下载的股票数据文件名称 ...
深度学习金融应用：Python实现的LSTM股票市场预测模型
05-10
LSTM是一种特别适合处理时间序列数据的递归神经网络，它能够学习长期依赖关系，这对于预测股票价格波动尤为重要。 该模型的核心特点包括： 1. **时间序列分析**：LSTM模型能够处理股票历史价格数据，捕捉时间上的...
基于LSTM深度学习的数据预测，matlab2021a测试。
05-02
在本项目中，我们探讨了如何使用长短期记忆网络（LSTM）进行数据预测，这是一种在深度学习领域广泛应用的递归神经网络（RNN）变体。Matlab 2021a是实现这一任务的工具，它为数据处理和模型训练提供了强大的支持。 ...
用 LSTM 预测股票价格
aliceyangxi1987的博客
09-22 1530
今天我们将用 LSTM 来预测时间序列数据。代码包括两个版本，第一个是 TensorFlow 1，第二个是 Keras 的，二者有很多地方是差不多的，在 TensorFlow 中给出了很详细的解释，在 Keras 中会主要解释区别之处。 时间序列是指由依赖于时间顺序的离散值或连续值所组成的序列。对这类数据来说时间是一个很重要的特征，我们在生活中处处可见这样的数据，例如气温、心电图、物价、每天的销售...
LSTM模型预测股票价格
FUYUJIAN1的博客
10-21 613
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-代码讲解（股票预测）
m0_61878383的博客
04-28 1万+
本模型对ZHW_AI课题组.2021的LSTM（股票预测）代码进行讲解。本文对代码的难以理解的、重点的部分进行了注释，并对需要注意的点进行了文字提醒。同时，本文最大的特点，是结合本人自制的数据集制作图、LSTM网络结构图，深入浅出的对由数据-->网络的具体过程进行了讲解演示。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Network_Engineer

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值