原文链接：http://tecdat.cn/?p=26562

该我的项目包含：

  • 自 2000 年 1 月以来的股票价格数据。咱们应用的是 Microsoft 股票。
  • 将工夫序列数据转换为分类问题。
  • 应用 TensorFlow 的 LSTM 模型
  • 由 MSE 掂量的预测准确性

GPU 设置（如果可用）

 

gpus = tf.config.experimental.li

读取数据集

有几种办法能够获取股市数据。以下数据集是应用 R BatchGetSymbols 生成的。

#加载数据集# ref.date是数组的第一列 datang = read_csv('stopriceo.csv', header=0)

pd.pivot_table(datong)

咱们的股票工夫序列

咱们为这个项目选择了微软（股票代码 MSFT）。

plt.rrms\['fgre.dpi'\] = 300plt.plot(dfte\['MSFT'\])

工夫序列显然不是安稳的，这是大多数预测模型所假如的属性。咱们能够对工夫序列利用变换，直到它达到安稳状态。Dickey-Fuller 测验使咱们可能确定咱们的工夫序列是否具备季节性。

在这里，咱们将利用对数转换来解决股票市场的指数行为。

其余有助于预测模型的转换：

  • 挪动平均线
  • 差分化
df1 = datt\['MSFT'\]# 咱们对数据集进行了对数转换df1 = np.log(df1)

# 代替计划：咱们能够对工夫序列进行差分，从而去除季节性和平均值的变动。# 创立一个差分序列#dfdiff = diffe(df1,1)

预处理

在这里，咱们对工夫序列数据利用规范预处理。

在工夫序列中，咱们没有标签，但咱们有工夫序列的将来值，因而输入能够是 x(t)，给定 x(t-1) 作为输出。这是将数据集构建为监督问题的一种实用（且直观）的办法。

scaer = ixSer(fatue_ange = (0,1))scer.i_rrm(np.array(df1).rehape(-1,1))

LSTM 模型

咱们在这里实现了一个重叠的 LSTM 模型。

LSTM 网络是一种递归神经网络，可能学习序列预测问题中的序列依赖性。LSTM 模型次要用于语音辨认、自然语言解决的上下文中。最近，它们也被利用于工夫序列数据的剖析。

from tensorflow.keras.models import Sequential model.add(LSTM(50, retsueces = True#stacked LSTMmodel.add(Dropout(0.1))

history

plt.plot(history.history

体现

import math from sklearn.metrics import mean\_squared\_error

plt.rcParams\['figure.dpi'\] = 300plt.rcParams\['savefig.dpi'\] = 300#移位预测lokback = ie_steptrinPrectPot = numpy.empty_like(df1)traireditPlot\[:,:\] = np.nanin_y = scaler.nesetsfrm(df1)plt.plot

plt.plot(iv_y)

将来 30 天的预测

咱们当初能够递归地利用该模型，通过预计第二天的 (t+1) 价格，而后再次将其作为输出来推断 t+2 天的价格，依此类推。这个预测当然会有更大的误差，因为每个预测的日子都会带来很大的不确定性。然而，这个预测的确会通知咱们模型是否从过来的数据中学到了任何货色。

# 预测将来30天的状况 len(tesdata) # 1211# 我认为在test_data中，最初一天是5月22日，例如# 对于5月23日，我须要100个前一天的数据 x\_input = test\_data\[(len

while(i<ftue_teps):    if(len(tep\_put)>ie\_sep):        x_input = np.array(tepinut\[1:\])        x\_input = x\_input.reshap

plt.plot(dy\_ew, scaler.inverse\_transf

plt.plot(df3\[1000:\])

最受欢迎的见解

1.用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类

2.Python中利用长短期记忆模型LSTM进行工夫序列预测剖析 – 预测电力耗费数据

3.python在Keras中应用LSTM解决序列问题

4.Python中用PyTorch机器学习分类预测银行客户散失模型

5.R语言多元Copula GARCH 模型工夫序列预测

6.在r语言中应用GAM（狭义相加模型）进行电力负荷工夫序列剖析

7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测工夫序列数

8.R语言预计时变VAR模型工夫序列的实证钻研剖析案例

9.用狭义加性模型GAM进行工夫序列剖析