原文链接：http://tecdat.cn/?p=26562

原文出处：拓端数据部落公众号

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。

1. #加载数据集

2. # ref.date是数组的第一列

3. 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）。

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

2. 


3. 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

1. 


2. df1 = datt['MSFT']

3. 


4. # 我们对数据集进行了对数转换

5. df1 = np.log(df1)

1. 


2. # 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。

3. # 创建一个差分序列

4. 


5. #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。

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

2. 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。

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

表现

1. import math

2. from sklearn.metrics import mean_squared_error

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

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

3. #移位预测

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。

1. # 预测未来30天的情况

2. len(tesdata) # 1211

3. # 我认为在test_data中，最后一天是5月22日，例如

4. # 对于5月23日，我需要100个前一天的数据

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:])

最受欢迎的见解

1.用于NLP的Python：使用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进行时间序列预测分析 – 预测电力消耗数据

3.python在Keras中使用LSTM解决序列问题

4.Python中用PyTorch机器学习分类预测银行客户流失模型

5.R语言多元Copula GARCH 模型时间序列预测

6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数

8.R语言估计时变VAR模型时间序列的实证研究分析案例

9.用广义加性模型GAM进行时间序列分析