本文主要是介绍【进阶实战】用PaddlePaddle实现LSTM股票预测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Paddlepaddle实现LSTM - 股票预测
欢迎大家来到这个实验,本实验实现的是利用LSTM (长短期记忆神经网络) 进行股票预测,通过本次实验,你将了解股票预测的方法、股票预测的数据集处理技巧、LSTM模型搭建以及训练过程等等,除此之外,你还将看到Paddlepaddle框架实现深度学习的一个十分清晰的结构流程,加深你对Paddlepaddle的了解。
在开始实验之前,我们有必要先来了解一下股票预测的一些知识,以便对股票预测实验有一个整体把握。
背景知识
我们之前做过关于房价预测的实验,房价预测就是根据影响房价的一些因素(面积,地理位置等等)来构建一个全连接层神经网络并对其函数参数进行训练,最后使得损失函数收敛,这样一来我们就可以得到确切的函数关系式,每给一个输入,便得到一个相应的房价输出,每次的房价输出仅仅与本次的输入有关,而与之前的输入输出没有关系,即房价的数据不构成时间序列。
股票预测虽然同样是预测类的实验,但却与房价预测有很大的不同,因为我们无法只根据一天的股票数据就能对后面的股票进行预测,换句话说,股票价格不仅仅与前面一天的数据有关系,还跟以前的股票价格有关系,这样,股票的数据就构成了一种时间序列,而每次决定股票预测结果的也不是仅仅是本次的输入,而是过去一段时间的数据序列,所以我们不能像预测房价那样使用全连接层神经网络,而是使用LSTM模型。
下面是LSTM模型的一个原理简图:
如上图所示,右图是左图的展开图,可以看出,此模型某一个时刻的输出ht不仅仅取决于当前的输入Xt,还跟上一个隐藏层的值有关系,这就意味着此模型具有一定的 “记忆力” ,而这正好符合股票预测的要求,所以在本次实验中,我们选择的是此模型,关于LSTM模型更详细的介绍,可以点此博客http://blog.csdn.net/fengkuangsake/article/details/51658489
简单了解了股票预测的原理后,我们就可以正式开始实验了。
本次实验分流程如下:
- 引用库的导入
- 数据预处理
- 构造数据读取的Reader
- 搭建模型
- 训练模型
- 预测及可视化
- 总结
1 - 引用库
首先,我们需要加载实验需要用到的一些库,他们分别是:
- numpy:一个python的基本库,用于科学计算
- matplotlib.pyplot:用于生成比特币预测效果图
- paddle.fluid :PaddlePaddle深度学习框架
- from future import print_function:在开头加上from future import print_function这句之后,即使在python2.X,使用print就得像 python3.X那样加括号使用.
In[7]
import numpy as np
import math
import matplotlib.pyplot as plt
import paddle
import paddle.fluid as fluid
from __future__ import print_function
2 - 数据预处理
本次实验采用的是上证指数的股票,数据集包含10列 (股票来源、日期、开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅、后一天最高价) ,共有6109天的股票数据
在本实验中,我们利用历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅来对下一日的最高价进行预测,第一列的数据在股票来源确定以后默认预测的是此支股票,第一行的数据完全一样,所以第一列数据在本实验中不参与训练。此外,由于我们处理股票数据时就是按照时间序列来进行处理的,所以第二列的日期数据也不会参与训练。
数据处理第一步,我们首先需要对文件中我们不需要的数据进行删除,在本实验中,我们可以直接在原数据集文件中删除前两列和第一行,然后保存文件为新的数据集stock_dataset.txt。然后我们需要读取剩下的数据:
In[4]
# 解压数据集
!unzip -qo -d data data/data3580/stock_LSTM_fluid.zip
In[5]
SAVE_DIRNAME = 'model'
f = open('data/stock_LSTM_fluid/datasets/stock_dataset.txt')
df = f.readlines()
f.close()
下面的代码把数据整理成我们需要的数组形式并保存在data中,形状为6109×8
In[8]
data = []
for line in df:data_raw = line.strip('\n').strip('\r').split('\t') #这里data_raw是列表形式,代表一行数据样本data.append(data_raw)#data为二维列表形式
data = np.array(data, dtype='float32')
在数据整理完成以后,我们可以查看一下数据信息,例如数据的类型、数据的个数、形状等等。
In[10]
print('数据类型:',type(data))
print('数据个数:', data.shape[0])
print('数据形状:', data.shape)
print('数据第一行:', data[0])
数据类型: <type 'numpy.ndarray'>
数据个数: 6109
数据形状: (6109, 8)
数据第一行: [1.0430000e+02 1.0439000e+02 9.9980003e+01 1.0439000e+02 1.9700000e+05
这篇关于【进阶实战】用PaddlePaddle实现LSTM股票预测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!