利用LSTM实现股价预测

　　长短时记忆（LSTM）是一种能增加递归神经网络（RNN）记忆的模型。递归神经网络保留短期记忆，因为它们允许在当前神经网络中更早地确定信息。
　　对于即时任务，RNN使用早期的数据，但我们可能没有利用神经元所有的早期信息。在RNN中，LSTM得到了广泛的应用。视频、自然语言处理、地理空间和时间序列等多个应用领域中，都证实了LSTM的有效性。
　　RNN的一个主要问题是梯度消失问题，它是由于在RNN块中重复使用相同的参数而产生的。我们必须在每个时间步中尝试使用不同的参数来克服这个问题。
　　我们努力在这样的情况下找到平衡。在生成变长序列的同时，我们在每一步引入新的参数，同时保持可学习参数的总数量不变。我们引入了基于门控机制的RNN单元，如LSTM和GRU。
　　门控单元保存内部变量，即利用其中的门。每个时间步的每个门的值取决于该时间步的信息，包括早期状态。然后，门的值乘以不同的权重变量来影响它们。
　　时间序列数据是在一段时间内收集的一系列数据值，允许我们跟踪一段时间内的差异。时间序列数据可以以毫秒、天和年为单位跟踪进程。
　　早期，我们把时间序列数据视为静态的；每天气温下的高点和低点，股市的开盘价和收盘价。现在我们将进入编码部分。我们将在股票数据集上实现LSTM。
　　数据集：
　　https：github。comPacktPublishingLearningPandasSecondEditionblobmasterdatagoog。csv
　　二、利用LSTM实现股票的时间序列预测
　　读取数据：
　　gstockdatapd。readcsv（data。csv）gstockdata。head（）
　　数据集探索：
　　该数据集包含14列与时间序列（如日期）和不同的变量（如close、high、low和volume）相关。我们将使用开盘价和收盘价来用LSTM进行时间序列预测。
　　gstockdatagstockdata〔〔date，open，close〕〕gstockdata〔date〕pd。todatetime（gstockdata〔date〕。apply（lambdax：x。split（）〔0〕））gstockdata。setindex（date，dropTrue，inplaceTrue）gstockdata。head（）
　　我们在这里进行了一些特征提取。我们从整个日期变量中单独取出日期。现在，我们可以使用matplotlib来可视化可用数据，并查看数据中的价格值是如何显示的。如下所示的价格日期图中绿色表示开盘价，红色表示收盘价。
　　fg，axplt。subplots（1，2，figsize（20，7））ax〔0〕。plot（gstockdata〔open〕，labelOpen，colorgreen）ax〔0〕。setxlabel（Date，size15）ax〔0〕。setylabel（Price，size15）ax〔0〕。legend（）ax〔1〕。plot（gstockdata〔close〕，labelClose，colorred）ax〔1〕。setxlabel（Date，size15）ax〔1〕。setylabel（Price，size15）ax〔1〕。legend（）fg。show（）
　　数据预处理：
　　我们必须在使用LSTM应用在股票价格之前对这些数据进行预处理。在fittransform函数的帮助下转换数据中的值。Minmaxscaler用于缩放数据，以便我们可以对所有的价格值归一化然后，我们使用80的数据进行训练，其余20用于测试，并将它们分配到单独的变量中。
　　fromsklearn。preprocessingimportMinMaxScalerMsMinMaxScaler（）gstockdata〔gstockdata。columns〕Ms。fittransform（gstockdata）trainingsizeround（len（gstockdata）0。80）traindatagstockdata〔：trainingsize〕testdatagstockdata〔trainingsize：〕
　　训练数据的划分：
　　创建一个函数，以便我们可以创建用于训练和测试的序列。
　　defcreatesequence（dataset）：sequences〔〕labels〔〕startidx0forstopidxinrange（50，len（dataset））：sequences。append（dataset。iloc〔startidx：stopidx〕）labels。append（dataset。iloc〔stopidx〕）startidx1return（np。array（sequences），np。array（labels））trainseq，trainlabelcreatesequence（traindata）testseq，testlabelcreatesequence（testdata）
　　LSTM模型的实现：
　　在下一步中，我们创建LSTM模型。在本文中，我们将使用从Keras导入的Sequential模型，并导入所需的库。
　　fromkeras。modelsimportSequentialfromkeras。layersimportDense，Dropout，LSTM，Bidirectional
　　我们在模型中使用了两个LSTM层，并在层与层之间使用dropout以实现正则化。在LSTM参数中分配的单元数是50个。Dropout为10。损失函数是均方误差并使用Adam优化器优化问题的损失函数。平均绝对误差是我们在LSTM网络中使用的评估度量，因为它与时间序列数据相关。
　　modelSequential（）model。add（LSTM（units50，returnsequencesTrue，inputshape（trainseq。shape〔1〕，trainseq。shape〔2〕）））model。add（Dropout（0。1））model。add（LSTM（units50））model。add（Dense（2））model。compile（lossmeansquarederror，optimizeradam，metrics〔meanabsoluteerror〕）model。summary（）model。fit（trainseq，trainlabel，epochs80，validationdata（testseq，testlabel），verbose1）testpredictedmodel。predict（testseq）testinversepredictedMMS。inversetransform（testpredicted）
　　可视化：
　　将数据与我们的模型拟合后，我们用它进行预测。我们必须用逆变换使得变换后的函数返回原值。现在我们可以使用这些数据来进行可视化预测。
　　Mergingactualandpredicteddataforbettervisualizationgsslicdatapd。concat（〔gstockdata。iloc〔202：〕。copy（），pd。DataFrame（testinversepredicted，columns〔openpredicted，closepredicted〕，indexgstockdata。iloc〔202：〕。index）〕，axis1）gsslicdata〔〔open，close〕〕MMS。inversetransform（gsslicdata〔〔open，close〕〕）gsslicdata。head（）gsslicdata〔〔open，openpredicted〕〕。plot（figsize（10，6））plt。xticks（rotation45）plt。xlabel（Date，size15）plt。ylabel（StockPrice，size15）plt。title（ActualvsPredictedforopenprice，size15）plt。show（）gsslicdata〔〔close，closepredicted〕〕。plot（figsize（10，6））plt。xticks（rotation45）plt。xlabel（Date，size15）plt。ylabel（StockPrice，size15）plt。title（ActualvsPredictedforcloseprice，size15）plt。show（）
　　三、结论
　　在本文中，我们利用LSTM研究了股票价格并将开盘和收盘价可视化。参考：
　　https：thelearningmachine。comarticledllongshorttermmemory
　　https：www。kaggle。comamarsharma768stockpricepredictionusinglstmnotebook