原文鏈接：http://tecdat.cn/?p=26562

原文出處：拓端數(shù)據(jù)部落公眾號

該項目包括：

• 自 2000 年 1 月以來的股票價格數(shù)據(jù)。我們使用的是 Microsoft 股票。

• 將時間序列數(shù)據(jù)轉(zhuǎn)換為分類問題。

• 使用 TensorFlow 的 LSTM 模型

• 由 MSE 衡量的預(yù)測準(zhǔn)確性

GPU?設(shè)置（如果可用）
?

gpus = tf.config.experimental.li

讀取數(shù)據(jù)集

有幾種方法可以獲取股市數(shù)據(jù)。以下數(shù)據(jù)集是使用 R BatchGetSymbols 生成的。

1. #加載數(shù)據(jù)集

2. # ref.date是數(shù)組的第一列

3. datang = read_csv('stopriceo.csv', header=0)

pd.pivot_table(datong)

我們的股票時間序列

我們?yōu)檫@個項目選擇了微軟（股票代碼 MSFT）。

1. plt.rrms['fgre.dpi'] = 300

2. 


3. plt.plot(dfte['MSFT'])

時間序列顯然不是平穩(wěn)的，這是大多數(shù)預(yù)測模型所假設(shè)的屬性。我們可以對時間序列應(yīng)用變換，直到它達(dá)到平穩(wěn)狀態(tài)。Dickey-Fuller 檢驗使我們能夠確定我們的時間序列是否具有季節(jié)性。

在這里，我們將應(yīng)用對數(shù)轉(zhuǎn)換來解決股票市場的指數(shù)行為。

其他有助于預(yù)測模型的轉(zhuǎn)換：

• 移動平均線

• 差分化

1. 


2. df1 = datt['MSFT']

3. 


4. # 我們對數(shù)據(jù)集進(jìn)行了對數(shù)轉(zhuǎn)換

5. df1 = np.log(df1)

1. 


2. # 替代方案：我們可以對時間序列進(jìn)行差分，從而去除季節(jié)性和平均值的變化。

3. # 創(chuàng)建一個差分序列

4. 


5. #dfdiff = diffe(df1,1)

預(yù)處理

在這里，我們對時間序列數(shù)據(jù)應(yīng)用標(biāo)準(zhǔn)預(yù)處理。

在時間序列中，我們沒有標(biāo)簽，但我們有時間序列的未來值，因此輸出可以是 x(t)，給定 x(t-1) 作為輸入。這是將數(shù)據(jù)集構(gòu)建為監(jiān)督問題的一種實用（且直觀）的方法。

1. scaer = ixSer(fatue_ange = (0,1))

2. scer.i_rrm(np.array(df1).rehape(-1,1))

LSTM?模型

我們在這里實現(xiàn)了一個堆疊的 LSTM 模型。

LSTM 網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)序列預(yù)測問題中的序列依賴性。LSTM 模型主要用于語音識別、自然語言處理的上下文中。最近，它們也被應(yīng)用于時間序列數(shù)據(jù)的分析。

1. from tensorflow.keras.models import Sequential

2. 


3. model.add(LSTM(50, retsueces = True

4. #stacked LSTM

5. model.add(Dropout(0.1))

6. 


history

plt.plot(history.history

表現(xiàn)

1. import math

2. from sklearn.metrics import mean_squared_error

1. plt.rcParams['figure.dpi'] = 300

2. plt.rcParams['savefig.dpi'] = 300

3. #移位預(yù)測

4. lokback = ie_step

5. trinPrectPot = numpy.empty_like(df1)

6. traireditPlot[:,:] = np.nan

7. 


8. in_y = scaler.nesetsfrm(df1)

9. plt.plot

1. 


2. plt.plot(iv_y)

未來 30 天的預(yù)測

我們現(xiàn)在可以遞歸地應(yīng)用該模型，通過估計第二天的 (t+1) 價格，然后再次將其作為輸入來推斷 t+2 天的價格，依此類推。這個預(yù)測當(dāng)然會有更大的誤差，因為每個預(yù)測的日子都會帶來很大的不確定性。然而，這個預(yù)測確實會告訴我們模型是否從過去的數(shù)據(jù)中學(xué)到了任何東西。

1. # 預(yù)測未來30天的情況

2. len(tesdata) # 1211

3. # 我認(rèn)為在test_data中，最后一天是5月22日，例如

4. # 對于5月23日，我需要100個前一天的數(shù)據(jù)

5. 


6. x_input = test_data[(len

1. 


2. while(i<ftue_teps):

3. if(len(tep_put)>ie_sep):

4. x_input = np.array(tepinut[1:])

5. x_input = x_input.reshap

plt.plot(dy_ew, scaler.inverse_transf

1. 


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

最受歡迎的見解

1.用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類

2.Python中利用長短期記憶模型LSTM進(jìn)行時間序列預(yù)測分析 – 預(yù)測電力消耗數(shù)據(jù)

3.python在Keras中使用LSTM解決序列問題

4.Python中用PyTorch機(jī)器學(xué)習(xí)分類預(yù)測銀行客戶流失模型

5.R語言多元Copula GARCH 模型時間序列預(yù)測

6.在r語言中使用GAM（廣義相加模型）進(jìn)行電力負(fù)荷時間序列分析

7.R語言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于預(yù)測時間序列數(shù)

8.R語言估計時變VAR模型時間序列的實證研究分析案例

9.用廣義加性模型GAM進(jìn)行時間序列分析