时间序列预测股票数据—以LSTM模型为例-Toy模板网

这篇具有很好参考价值的文章主要介绍了时间序列预测股票数据—以LSTM模型为例。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、对时间序列的理解：

时间序列是按照一定时间间隔排列的数据，时间间隔可以是任意时间单位，通过对时间序列的分析，我们可以探寻到其中的现象以及变化规律，并将这些信息用于预测。这就需要一系列的模型，用于将原始时间序列数据放进模型中进行训练，并用训练好的时间序列模型来预测未知的时间序列。

提供的数据：

“中国平安”2016-2018年股票数据，背景为平安保险集团。数据预览如下：

时间序列预测股票数据—以LSTM模型为例

通过预览数据，可知此次实验的数据属性为date(日期)、open(开盘价)、high(最高价)、low(最低价)、close(收盘价）以及volume(成交量)

其中，我们要实现股票预测，需要着重对close(收盘价)一列进行探索性分析。

二、使用LSTM进行时序预测

模型介绍：

包括遗忘门、输入门、输出门。LSTM将这些卡口作为去除或者增加细胞状态的工具。门是一种让信息选择式通过的方法，他们包含一个sigmoid神经网络层和一个按位的乘法操作。

其中，每一个sigmoid会输出0到1之间的数值，描述每个部分有多少量可以通过。0表示不允许任何量通过，1表示允许任意量通过。

LSTM通过三个门，保护和控制细胞状态。

建模思路（包括数据处理、模型分块、建模、模型优化、检验等）

（1）数据处理：

导入数据，提取数据集的date日期和close收盘价两列，作为建模预测的对象。

模型分块，设置测试集规模以及滑块大小，现将数据归一化处理，转化为tensor可以识别的数据，再将原数据设定为滑块为1，每调用1批次的数据，将其添加到列表，从而实现二维数据转三维数据，再切分训练集、测试集。

建模步骤（依据上述思路进行建模，详细描述过程）

定义网络层：LSTM层（神经元个数：16，激活函数：relu)

全连接层（神经元个数：1，激活函数：relu，正则化：l2范数）

模型实例化并装配网络（优化器：采用自适应梯度优化算法Adam，学习率设定为0.1，损失函数采用交叉熵函数，评价指标采用准确率）

训练模型，设定训练批次为50，每批次样本量为100.

#使用LSTM进行预测
import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
from tensorflow.keras.layers import Input,Dropout,Dense,LSTM
from tensorflow.keras.models import Model
from tensorflow.keras import regularizers
import tensorflow.keras as keras
np.random.seed(100)
# 选取随机种子个数100个

# 设置神经网络参数
# 提取收盘价
y=stock['close']
print(y)
# 数据预处理
test_ratio=0.4
windows=1
# 设置滑块大小
# 定义测试集规模
# # 通过比例切分
# 测试集大小
from sklearn.preprocessing import MinMaxScaler
data_lsvm=y.values

scaler=MinMaxScaler(feature_range=(0, 1))
data_lsvm=scaler.fit_transform(data_lsvm.reshape(-1,1))



print(data_lsvm)

cut=round(test_ratio* data_lsvm.shape[0])
print(data_lsvm.shape[0])
print('切分：',cut)
train,test=data_lsvm[:data_lsvm.shape[0]-cut,:],data_lsvm[data_lsvm.shape[0]-cut:,:]
amount_of_features=data_lsvm.shape[1]
lstm_input=[]
data_temp=data_lsvm
for i in range(len(data_temp)-windows):

    lstm_input.append(data_lsvm[i:i+windows,:])
lstm_input=np.array(lstm_input)
lstm_output=y[:-windows]

lstm_output=np.array(lstm_output)
x_train,y_train,x_test,y_test=lstm_input[:data_lsvm.shape[0]-cut,:],lstm_output[:data_lsvm.shape[0]-cut],lstm_input[data_lsvm.shape[0]-cut:,:],lstm_output[data_lsvm.shape[0]-cut:]
print(x_train.shape,y_train.shape,x_test.shape,y_test.shape)
x_train

mn_units=16
dropout=0.01
# # 定义网络全连接层
#
def lstm_model():
    inputs=Input(shape=(windows,amount_of_features))

    # lstm层
    rnn = LSTM(units=mn_units, activation='relu',return_sequences=False)(inputs)
    dense=Dropout(dropout)(rnn)
#     dense1=Dense(16,activation='sigmoid',kernel_regularizer=regularizers.l2(0.1))(dense)
#     dense2=Dense(8,activation='relu',kernel_regularizer=regularizers.l2(0.1))(dense)
    outputs=Dense(1,activation='relu',kernel_regularizer=regularizers.l2(0.5))(dense)
    model=Model(inputs=inputs,outputs=outputs)

    model.compile(optimizer=keras.optimizers.Adam(0.1),loss=tf.losses.BinaryCrossentropy(),metrics=['accuracy'])

    model.summary()
    return model
#
batch_size=100
#
epoch=50
# 训练网络
mymodel=lstm_model()
history = mymodel.fit(x_train,y_train,batch_size=batch_size,epochs=epoch)
y_train_predict=mymodel.predict(x_test)

时间序列预测股票数据—以LSTM模型为例

fig= plt.figure(figsize=(8, 5))
plt.plot(history.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

（3）预测结果（数据、拟合图等）

评估结果：

时间序列预测股票数据—以LSTM模型为例

随着训练次数增多，loss值逐渐减小。

将预测后的数据进行评估，并将预测结果反归一化，如图：

# print(mymodel.metrics_names)
loss,acc=mymodel.evaluate(x_test,y_test)
print('评估结果',loss,acc)

y_train_predict=mymodel.predict(x_train)#预测结果
y_test_predict=mymodel.predict(x_test)#预测结果
print('预测结果',y_train_predict,y_test_predict)
print(y_test_predict.shape)

时间序列预测股票数据—以LSTM模型为例

#反归一化


trainPredict=scaler.inverse_transform(y_train_predict)
testPredict = scaler.inverse_transform(y_test_predict)
data_lsvmx=scaler.inverse_transform(data_lsvm)
# y_test = scaler.inverse_transform(y_test)
print(len(trainPredict),len(testPredict))
data_lsvmx

反归一化后的结果：

时间序列预测股票数据—以LSTM模型为例

# 预测结果

testPredict=pd.DataFrame(testPredict)
close_new=testPredict
close_new.columns=['new_close']
stock_new=stock.iloc[:-windows,:]

# 训练集预测结果
trainPredict=pd.DataFrame(trainPredict)
train_date=stock_new[:data_lsvm.shape[0]-cut].loc[:,['date']]
new_date_train=train_date.reset_index()

new_date_train=new_date_train.drop('index',axis=1)
print(new_date_train)
new_date=stock_new[data_lsvm.shape[0]-cut:].loc[:,['date']]
new_date=new_date.reset_index()
new_date=new_date.drop('index',axis=1)
# date=pd.concat([new_date_train,new_date],axis=0)
new_predict=pd.concat([new_date,close_new],axis=1)

新的预测结果：

时间序列预测股票数据—以LSTM模型为例

作图：

# 构建通过训练集进行预测的图表数据
predict_train_plot = np.empty_like(data_lsvm)
predict_train_plot[:, :] = np.nan
predict_train_plot[:data_lsvm.shape[0]-cut, :] = trainPredict
# 构建通过测试集进行预测的图表数据
predict_test_plot = np.empty_like(data_lsvm)
predict_test_plot[:, :] = np.nan
predict_test_plot[data_lsvmx.shape[0]-cut+1:, :] = testPredict

# 原数据
data_plot = np.empty_like(data_lsvmx)
data_plot[:, :] = np.nan
data_plot[:, :] = data_lsvmx

# # 构建通过原数据进行拟合的图表数据
date=stock.loc[:,['date']]
type(date["date"])

最后绘制预测图：

fig2 = plt.figure(figsize=(10, 5))
dataset = scaler.inverse_transform(data_lsvm)
plt.plot(date["date"],predict_train_plot, color='green')
plt.plot(date["date"],predict_test_plot, color='red')
plt.plot(date["date"],data_plot, color='blue')
plt.xticks(range(0,730,80))
plt.show()

时间序列预测股票数据—以LSTM模型为例