股票价格预测 | Python实现LSTM股票价格时间序列预测

股票价格预测 | Python实现LSTM股票价格时间序列预测

基本介绍

长短时记忆(LSTM)是一种能增加递归神经网络（RNN）记忆的模型。递归神经网络保留短期记忆，因为它们允许在当前神经网络中更早地确定信息。对于即时任务，RNN使用早期的数据，但我们可能没有利用神经元所有的早期信息。在RNN中，LSTM得到了广泛的应用。视频、自然语言处理、地理空间和时间序列等多个应用领域中，都证实了LSTM的有效性。

• RNN的一个主要问题是梯度消失问题，它是由于在RNN块中重复使用相同的参数而产生的。我们必须在每个时间步中尝试使用不同的参数来克服这个问题。
• 我们努力在这样的情况下找到平衡。 在生成变长序列的同时，我们在每一步引入新的参数，同时保持可学习参数的总数量不变。我们引入了基于门控机制的RNN单元，如LSTM和GRU。
• 门控单元保存内部变量，即利用其中的门。每个时间步的每个门的值取决于该时间步的信息，包括早期状态。然后，门的值乘以不同的权重变量来影响它们。时间序列数据是在一段时间内收集的一系列数据值，允许我们跟踪一段时间内的差异。时间序列数据可以以毫秒、天和年为单位跟踪进程。
• 早期，我们把时间序列数据视为静态的；每天气温下的高点和低点，股市的开盘价和收盘价。现在我们将进入编码部分。我们将在股票数据集上实现LSTM。

数据集

https://github.com/PacktPublishing/Learning-Pandas-Second-Edition/blob/master/data/goog.csv

<