用 LSTM 预测股票价格

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、每天的销售额，每天客服中心接到的电话数量、访问量、股价、油价、GDP 等等，时间可以用年、季、月、日、小时、分钟、秒等时间单位来度量。

因为应用非常广，预测时间序列的方法也有很多很多，大家感兴趣可以看这里。

比较著名的统计模型有 Moving Average（MA），Autoregressive Integrated Moving Average（ARIMA），Holt Winter’s Exponential Smoothing（HWES）等等，这些方法一般都需要分析数据的趋势、季节性、周期性，保持数据的稳定性等条件。

（图片来自：algorithmia.com）

但在现实生活中，很多时间序列问题的数据构成机制要么非常复杂ÿ