matlab用RNN预测股票,使用RNN预测股票价格系列一

概述

我们将解释如何建立一个有LSTM单元的RNN模型来预测S＆P500指数的价格。 数据集可以从Yahoo!下载。 在例子中，使用了从1950年1月3日(Yahoo! Finance可以追溯到的最大日期)的S＆P 500数据到2017年6月23日。 为了简单起见，我们只使用每日收盘价进行预测。 同时，我将演示如何使用TensorBoard轻松调试和模型跟踪。

关于RNN和LSTM

RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNN能够对任何长度的序列数据进行处理。

Long Short Term 网络，一般就叫做 LSTM，是一种 RNN 特殊的类型，LSTM区别于RNN的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。说起来无非就是一进二出的工作原理，却可以在反复运算下解决神经网络中长期存在的大问题。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多。各研究者根据LSTM纷纷提出了自己的变量版本，这就让LSTM可以处理千变万化的垂直问题。

数据准备

股票价格是长度为NN，定义为p0，p1，...，pN-1，其中pi是第i天的收盘价，0≤i

我们使用一个移动窗口中的内容来预测下一个，而在两个连续的窗口之间没有重叠。

我们将建立RNN模型将LSTM单元作为基本的隐藏单元。 我们使用此值从时间t内将第一个移动窗口W0移动到窗口Wt：

预测价格在下一个窗口在Wt+1

我们试图学习一个近似函数，

展开的RNN

考虑反向传播(BPTT)是如何工作的，我们通常将RNN训练成一个“unrolled”的样式，这样我们就不需要做太多的传播计算，而且可以节省训练的复杂性。

以下是关于Tensorflow教程中input_size的解释：

By design, the output of a recurrent neural network (RNN) depends on arbitrarily distant inputs. Unfortunately, this makes backpropagation computation difficult. In order to make the learning process tractable, it is common practice to create an “unrolled” version of the network, which contains a fixed number (num_steps) of LSTM inputs and outputs. The model is then trained on this finite approximation of the RNN. This can be implemented by feeding inputs of length num_steps at a time and performing a backward pass after each such input block.

价格的顺序首先被分成不重叠的小窗口。 每个窗口都包含input_size数字，每个数字被视为一个独立的输入元素。 然后，任何num_steps连续的输入元素被分配到一个训练输入中，形成一个训练

在Tensorfow上的“unrolled”版本的RNN。 相应的标签就是它们后面的输入元素。

例如，如果input_size = 3和num_steps = 2，我们的第一批的训练样例如下所示：

以下是数据格式化的关键部分：

seq = [np.array(seq[i * self.input_size: (i + 1) * self.input_size]) for i in range(len(seq) // self.input_size)]

# Split into groups of `num_steps`

X = np.array([seq[i: i + self.num_steps] for i in range(len(seq) - self.num_steps)])

y = np.array([seq[i + self.num_steps] for i in range(len(seq) - self.num_steps)])

培训/测试拆分

由于我们总是想