LSTM 神經網絡

長短期記憶 (LSTM) 神經網絡屬于循環神經網絡?(RNN) 的一種，特別適合處理和預測與時間序列相關的重要事件。以下面的句子作為一個上下文推測的例子：

“我從小在法國長大，我會說一口流利的？？”

由于同一句話前面提到”法國“這個國家，且后面提到“說”這個動作。因此，LSTM便能從”法國“以及”說“這兩個長短期記憶中重要的訊號推測出可能性較大的”法語“這個結果。

K線圖與此類似，股價是隨著時間的流動及重要訊號的出現而做出反應的：

• 在價穩量縮的盤整區間中突然出現一帶量突破的大紅K，表示股價可能要上漲了

• 在跳空缺口后出現島狀反轉，表示股價可能要下跌了

• 在連漲幾天的走勢突然出現帶有長上下影線的十字線，表示股價有反轉的可能

LSTM 要做的事情就是找出一段時間區間的K棒當中有沒有重要訊號（如帶量紅K）并學習預測之后股價的走勢。

LSTM 股價預測實例

數據是以鴻海(2317)從2013年初到2017年底每天的開盤價、收盤價、最高價、最低價、以及成交量等數據。

首先將數據寫入并存至pandas的DataFrame，另外對可能有N/A的row進行剔除：

數據寫入：

import?pandas?as?pdfoxconndf=?pd.read_csv('./foxconn_2013-2017.csv',?index_col=0?) foxconndf.dropna(how='any',inplace=True)

為了避免原始數據太大或是太小沒有統一的范圍而導致 LSTM 在訓練時難以收斂，我們以一個最小最大零一正規化方法對數據進行修正：

from?sklearn?import?preprocessingdef?normalize(df):newdf=?df.copy()min_max_scaler?=?preprocessing.MinMaxScaler()newdf['open']?=?min_max_scaler.fit_transform(df.open.values.reshape(-1,1))newdf['low']?=?min_max_scaler.fit_transform(df.low.values.reshape(-1,1))newdf['high']?=?min_max_scaler.fit_transform(df.high.values.reshape(-1,1))newdf['volume']?=?min_max_scaler.fit_transform(df.volume.values.reshape(-1,1))newdf['close']?=?min_max_scaler.fit_transform(df.close.values.reshape(-1,1))return?newdffoxconndf_norm=?normalize(foxconndf)

然后對數據進行訓練集與測試集的切割，另外也定義每一筆數據要有多長的時間框架：

import?numpy?as?npdef?data_helper(df,?time_frame):#?數據維度:?開盤價、收盤價、最高價、最低價、成交量,?5維number_features?=?len(df.columns)#?將dataframe?轉換為?numpy?arraydatavalue?=?df.as_matrix()result?=?[]#?若想要觀察的?time_frame?為20天,?需要多加一天作為驗證答案for?index?in?range(?len(datavalue)?-?(time_frame+1)?):?#?從?datavalue?的第0個跑到倒數第?time_frame+1?個result.append(datavalue[index:?index?+?(time_frame+1)?])?#?逐筆取出?time_frame+1?個K棒數值做為一筆?instanceresult?=?np.array(result)number_train?=?round(0.9?*?result.shape[0])?#?取?result?的前90%?instance?作為訓練數據x_train?=?result[:int(number_train),?:-1]?#?訓練數據中,?只取每一個?time_frame?中除了最后一筆的所有數據作為featurey_train?=?result[:int(number_train),?-1][:,-1]?#?訓練數據中,?取每一個?time_frame?中最后一筆數據的最后一個數值(收盤價)作為答案#?測試數據x_test?=?result[int(number_train):,?:-1]y_test?=?result[int(number_train):,?-1][:,-1]#?將數據組成變好看一點x_train?=?np.reshape(x_train,?(x_train.shape[0],?x_train.shape[1],?number_features))x_test?=?np.reshape(x_test,?(x_test.shape[0],?x_test.shape[1],?number_features))??return?[x_train,?y_train,?x_test,?y_test]#?以20天為一區間進行股價預測 X_train,?y_train,?X_test,?y_test?=?data_helper(foxconndf_norm,?20)

我們以 Keras 框架作為 LSTM 的模型選擇，首先在前面加了兩層 256個神經元的 LSTM layer，并都加上了Dropout層來防止數據過度擬合（overfitting）。最后再加上兩層有不同數目神經元的全連結層來得到只有1維數值的輸出結果，也就是預測股價：

from?keras.models?import?Sequential from?keras.layers.core?import?Dense,?Dropout,?Activation from?keras.layers.recurrent?import?LSTM import?kerasdef?build_model(input_length,?input_dim):d?=?0.3model?=?Sequential()model.add(LSTM(256,?input_shape=(input_length,?input_dim),?return_sequences=True))model.add(Dropout(d))model.add(LSTM(256,?input_shape=(input_length,?input_dim),?return_sequences=False))model.add(Dropout(d))model.add(Dense(16,kernel_initializer="uniform",activation='relu'))model.add(Dense(1,kernel_initializer="uniform",activation='linear'))model.compile(loss='mse',optimizer='adam',?metrics=['accuracy'])return?model#?20天、5維 model?=?build_model(?20,?5?)

建立好 LSTM 模型后，我們就用前面編輯好的訓練數據集開始進行模型的訓練：LSTM 模型訓練

#?一個batch有128個instance，總共跑50個迭代 model.fit(?X_train,?y_train,?batch_size=128,?epochs=50,?validation_split=0.1,?verbose=1)

在經過一段時間的訓練過程后，我們便能得到 LSTM 模型（model）。接著再用這個模型對測試數據進行預測，以及將預測出來的數值（pred）與實際股價（y_test）還原回原始股價的大小區間：

LSTM 模型預測股價及還原數值

def?denormalize(df,?norm_value):original_value?=?df['close'].values.reshape(-1,1)norm_value?=?norm_value.reshape(-1,1)min_max_scaler?=?preprocessing.MinMaxScaler()min_max_scaler.fit_transform(original_value)denorm_value?=?min_max_scaler.inverse_transform(norm_value)return?denorm_value#?用訓練好的?LSTM?模型對測試數據集進行預測 pred?=?model.predict(X_test)#?將預測值與實際股價還原回原來的區間值 denorm_pred?=?denormalize(foxconndf,?pred) denorm_ytest?=?denormalize(foxconndf,?y_test)

LSTM 預測股價結果

讓我們把還原后的數值與實際股價畫出來，看看效果如何：

LSTM 預測股價結果

import?matplotlib.pyplot?as?plt %matplotlib?inline??plt.plot(denorm_pred,color='red',?label='Prediction') plt.plot(denorm_ytest,color='blue',?label='Answer') plt.legend(loc='best') plt.show()

如下圖，藍線是實際股價、紅線是預測股價。雖然整體看起來預測股價與實際股價有類似的走勢，但仔細一看預測股價都比實際股價落后了幾天。

所以我們來調整一些設定：

• 時間框架長度的調整

• Keras 模型里全連結層的 activation 與 optimizaer 的調整

• Keras 模型用不同的神經網路（種類、順序、數量）來組合batch_size?的調整、epochs?的調整 …

經過我們對上述的幾個參數稍微調整過后，我們就得到一個更貼近實際股價的預測結果啦。

E?N?D

總結

以上是生活随笔為你收集整理的利用 LSTM 神经网络预测股价走势的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。