翻译:张玲
校对:丁楠雅
本文约1500字,建议阅读5分钟。
作者基于波动性标准普尔500数据集和Keras深度学习网络框架,利用python代码演示RNN和LSTM RNN的构建过程,便于你快速搭建时间序列的预测模型。
图片来源:Pixabay
本文的目的是演示人工神经网络(Artificial Neural Network ,ANN)和长短期记忆循环神经网络(Long Short-Term Memory Recurrent Neural Network ,LSTM RNN)工作过程,使您能够在现实生活中使用它们,并对时间序列数据建立最简单的ANN和LSTM循环神经网络。
人工神经网络(Artificial Neural Network ,ANN)
https://en.wikipedia.org/wiki/Artificial_neural_network
长短期记忆循环神经网络(Long Short-Term Memory Recurrent Neural Network ,LSTM RNN)
https://en.wikipedia.org/wiki/Long_short-term_memory
数据
CBOE(Chicago Board Options Exchange,芝加哥期权交易所)波动性指数是用来衡量标准普尔500指数期权的一种常用隐含波动率,以其代号VIX(Volatility Index,也称“恐惧指数”)而闻名。
CBOE(Chicago Board Options Exchange,芝加哥期权交易所)波动性指数
https://en.wikipedia.org/wiki/VIX
芝加哥期权交易所CBOE实时计算出VIX指数后,将其推出。
芝加哥期权交易所
https://en.wikipedia.org/wiki/Chicago_Board_Options_Exchange
可以从这里(https://ca.finance.yahoo.com/quote/%5Evix/history?ltr=1)下载波动性标准普尔500数据集,时间范围是:2011年2月11日至2019年2月11日。我的目标是采用ANN和LSTM来预测波动性标准普尔500时间序列。
首先,我们需要导入以下库:
import pandas as pd
import numpy as np
%matplotlib inline
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_score
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping