使用LSTM预测股价，特征：19个指标5天历史数据

LSTM介绍

LSTM是具有时间特性的神经网络，我们利用LSTM预测时间序列——股价。 
从文本到股价，LSTM的输入特征和网络结构都有哪些变化呢？ 
我们先看一个简单的RNN结构。与普通的全连接层神经网络的权重更新沿着一层层隐藏层网络不同，RNN的权重更新有两个方向，一个是像传统神经网络沿着输入层隐藏层更新，即图中的U和V的权重矩阵，一个是沿着St-2,St-1,St,St+1...的状态层更新，即途中的W权重矩阵。 
 
对于传统的神经网络，假如输入数据的格式是[100,5]，即100个样本，特征是5，那么输入神经元的个数是[5] 
对于RNN处理的时间序列，应该是什么样的呢？ 
首先我们知道RNN可以处理文本信息。例如，这句话。

我昨天上学迟到了

利用python的jieba分词

1. jieba.cut('我昨天上学迟到了')

得到这样的句式结构。

我 昨天 上学 迟到 了

那么实际上输入输出是这样的：

输入	标签
s	我
我	昨天
昨天	上学
上学	迟到
迟到	了

或者

input: [“Jack”, “and”, “Jill”, “went”], label: [“up”]

input: [“and”, “Jill”, “went”, “up”], label: [“the”]

input: [“Jill”, “went”, “up”, “the”], label: [“hill”]

input: [“went”, “up”, “the”, “hill”], label: [“.”]

做向量化和one-hot编码得到，这里的one-hot不是真正的编码，是我举例的，真正的维度要高得多，这里假设是10维

输入	标签
0000000001	0000000010
0000000010	0000000100
0000000100	0000001000
0000001000	0000010000
0000010000	0000100000

输入数据的格式（100，20，10） 
100是序列个数，一篇文章句子的个数。 
20是时间步，就是句子最大能容纳的词数，词数少的句子补齐。 
10是每个时间步的维度，就是词向量维度。

开始建模

数据：香港恒生指数 
指标：'Closing Price', 'Open Price', 'High price', 'Low Price','Volume','MACD', 'CCI', 'ATR', 'BOLL_MID', 'EMA20','MA10','MTM6', 'MA5','MTM12', 'ROC', 'SMI', 'WVAD', 'US Dollar Index','HIBOR' 
日期：2008-07-02' 至 '2016-09-30'

首先，定义一个求t-5,t-4,t-3,t-2,t-1时刻的特征指标的函数，也就是之前的19维特征，现在变成了19*（5+1）=114维的特征。+1是因为考虑t时刻本身的特征。

1. def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
2. #if n_in=2, t-2,t-1,t
3. n_vars = 1 if type(data) is list else data.shape[1] #return feature numbers
4. df = DataFrame(data)
5. cols, names = list(), list()
6. # input sequence (t-n_in, ... t-1)
7. for i in range(n_in, 0, -1):#print n_int to i in inverted order[n_in,n_in-1,...,1]
8. cols.append(df.shift(i))
9. names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)]
10. # forecast sequence (t, t+1, ... t+n)
11. for i in range(0, n_out):
12. cols.append(df.shift(-i