Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

该项目包括：

• 自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
• 将时间序列数据转换为分类问题。
• 使用 TensorFlow 的 LSTM 模型
• 由 MSE 衡量的预测准确性

GPU 设置（如果可用）

gpus = tf.config.experimental.li

读取数据集

有几种方法可以获取股市数据。以下数据集是使用 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)

我们的股票时间序列

我们为这个项目选择了微软（股票代码 MSFT）。

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

plt.plot(dfte['MSFT'])

时间序列显然不是平稳的，这是大多数预测模型所假设的属性。我们可以对时间序列应用变换，直到它达到平稳状态。Dickey-Fuller 检验使我们能够确定我们的时间序列是否具有季节性。

在这里，我们将应用对数转换来解决股票市场的指数行为。

其他有助于预测模型的转换：

• 移动平均线
• 差分化

df1 = datt['MSFT']

# 我们对数据集进行了对数转换
df1 = np.log(df1)

# 替代方案：我们可以对时间序列进行差分，从而去除季节性和平均值的变化。
# 创建一个差分序列

#dfdiff = diffe(df1,1)

预处理

在这里，我们对时间序列数据应用标准预处理。

在时间序列中，我们没有标签，但我们有时间序列的未来值，因此输出可以是 x(t)，给定 x(t-1) 作为输入。这是将数据集构建为监督问题的一种实用（且直观）的方法。

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

LSTM 模型

我们在这里实现了一个堆叠的 LSTM 模型。

LSTM 网络是一种递归神经网络，能够学习序列预测问题中的序列依赖性。LSTM 模型主要用于语音识别、自然语言处理的上下文中。最近，它们也被应用于时间序列数据的分析。

from tensorflow.keras.models import Sequential 

model.add(LSTM(50, retsueces = True
#stacked LSTM
model.add(Dropout(0.1))

history

plt.plot(history.history

表现

import math 
from sklearn.metrics import mean_squared_error

plt.rcParams['figure.dpi'] = 300
plt.rcParams['savefig.dpi'] = 300
#移位预测
lokback = ie_step
trinPrectPot = numpy.empty_like(df1)
traireditPlot[:,:] = np.nan

in_y = scaler.nesetsfrm(df1)
plt.plot

plt.plot(iv_y)

未来 30 天的预测

我们现在可以递归地应用该模型，通过估计第二天的 (t+1) 价格，然后再次将其作为输入来推断 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，这个预测确实会告诉我们模型是否从过去的数据中学到了任何东西。

# 预测未来30天的情况 
len(tesdata) # 1211
# 我认为在test_data中，最后一天是5月22日，例如
# 对于5月23日，我需要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:])

---