利用Keras长短期记忆(LSTM)模型预测股票价格

LSTMs在序列预测问题中非常强大，因为它们能够存储过去的信息。这在我们的案例中很重要，因为股票的前一个价格对于预测其未来的价格是至关重要的。

编者按:本教程演示了如何开始使用LSTM模型预测时间序列。股票市场数据是一个很好的选择，因为它是相当常规的和广泛地提供给每个人。请不要把这当作理财建议，也不要用它来做你自己的交易。

在本教程中，我们将构建一个Python深度学习模型，用于预测股票价格的未来行为。我们假设读者熟悉Python中的深度学习概念，特别是LSTM。

虽然预测股票的实际价格是一个上坡路，但是我们可以建立一个模型来预测股票的价格是涨是跌。本教程使用的数据和notebook可以在 这里 找到。需要注意的是，影响股价的因素总是存在的，比如政治氛围和市场。然而，在本教程中，我们不会关注这些因素。

简介

LSTMs在序列预测问题中非常强大，因为它们能够存储过去的信息。这在我们的案例中很重要，因为股票的前一个价格对于预测其未来的价格是至关重要的。

我们将导入用于科学计算的 NumPy 、用于绘制图形的 Matplotlib 和用于加载和操作数据集的 Pandas 。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

加载数据集

下一步是加载我们的训练数据集，并选择我们将在建模中使用的Open和High列。

dataset_train = pd.read_csv('NSE-TATAGLOBAL.csv')
training_set = dataset_train.iloc[:, 1:2].values

我们检查数据集的头部，以便让我们对正在使用的数据集有一个大致的了解。

dataset_train.head()

某只股票在特定交易日的开盘价是是Open列，收盘价是Close列。最高和最低价分别是High列和Low列。

特征缩放

从以前使用深度学习模型的经验中，我们知道我们必须缩放数据以获得最佳性能。在我们的例子中，我们将使用Scikit- Learn的MinMaxScaler，并将数据集缩放到0到1之间的数字。

from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)

使用Timesteps创建数据

LSTMs期望我们的数据具有特定的格式，通常是一个3D数组。我们首先在60个时间步骤中创建数据，然后使用NumPy将其转换为数组。接下来，我们将数据转换为具有X_train示例、60个时间戳和每个步骤一个特征的3D维度数组。

X_train = []
y_train = []
for i in range(60, 2035):
    X_train.append(training_set_scaled[i-60:i, 0])
    y_train.append(training_set_scaled[i, 0])
X_train, y_train = np.array(X_train), np.array(y_train)
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

构建LSTM

为了构建LSTM，我们需要从Keras中导入几个模块:

Sequential 用于初始化神经网络
Dense 用于添加密集连接的神经网络层
LSTM 用于添加长短期内存层
Dropout 用于添加防止过拟合的dropout层

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout

我们添加LSTM层，然后添加一些Dropout层以防止过拟合。我们使用以下参数添加LSTM层:

50个单元，也就是输出空间的维度 return_sequence =True，它决定是否返回输出序列中的最后一个输出，还是返回完整的序列 input_shape作为训练集的shape

在定义Dropout层时，我们指定0.2，这意味着20%的层将被删除。然后，我们添加指定1个单元的输出的Dense层。在此之后，我们使用流行的adam优化器编译模型，并将损失设置为mean_squarred_error。这会计算平方误差的均值。接下来，我们将模型设置为在批大小为32的100个epochs上运行。请记住，根据您的计算机的规格，这可能需要几分钟来完成运行。

regressor = Sequential()
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 1)))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.2))
regressor.add(Dense(units = 1))
regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')
regressor.fit(X_train, y_train, epochs = 100, batch_size = 32)

使用测试集预测未来的股票

首先，我们需要导入用于预测的测试集。

dataset_test = pd.read_csv('tatatest.csv')
real_stock_price = dataset_test.iloc[:, 1:2].values

为了预测未来的股票价格，我们需要在加载测试集之后做一些事情:

1. 在0轴上合并训练集和测试集。

1. 将时间步长设置为60(如前所述)

1. 使用MinMaxScaler转换新数据集

1. 如前所述，重新塑造数据集

在做出预测之后，我们使用inverse_transform以正常可读的格式返回股票价格。

dataset_total = pd.concat((dataset_train['Open'], dataset_test['Open']), axis = 0)
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values
inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)
X_test = []
for i in range(60, 76):
    X_test.append(inputs[i-60:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
predicted_stock_price = regressor.predict(X_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)

可视化结果

最后，我们使用Matplotlib将预测股价和实际股价的结果可视化。

plt.plot(real_stock_price, color = 'black', label = 'TATA Stock Price')
plt.plot(predicted_stock_price, color = 'green', label = 'Predicted TATA Stock Price')
plt.title('TATA Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('TATA Stock Price')
plt.legend()
plt.show()

从图中我们可以看到，股票的实际价格上升了，而我们的模型也预测了股票的价格会上升。这清楚地显示了LSTMs在分析时间序列和顺序数据方面的强大功能。

总结

有一些其他的技术来预测股票价格，如移动平均线，线性回归，k近邻，ARIMA和Prophet。这些技术可以单独测试，并与Keras LSTM进行性能比较。如果你想更多地了解Keras和深度学习，你可以在 这里 找到我的文章。

作者：Derrick Mwiti 原文链接： https://heartbeat.fritz.ai/using-a-keras-long-shortterm-memory-lstm-model-to-predict-stock-prices-a08c9f69aa74