首页 > 其他分享> 文章详细

浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）

2021-12-11 23:33:53 阅读：245 来源： 互联网

标签：序贯 RNN Keras 模型 test LSTM 数据浅谈

浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）

总包含文章：

LSTM 简介：

同RNN学习一样，我们只是先浅谈，所以只用知道两点就足够了：

1. LSTM是什么，依旧百度百科：长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。显而易见，这个LSTM就是加强版的RNN，所以我们接下从代码构建少看看多了些什么
2. LSTM的模型是怎样的，这里我强烈推荐观看b站科普’什么是 LSTM RNN 循环神经网络 (深度学习)?’
  
  里面所谈到LSTM模型的结构是这样的：

代码仓库：[lstm_test](https://github.com/linxinloningg/lstm_learn_test/tree/main/TIME_SERIES_PREDICTION_USING_LSTM_DEEP_NEURAL_NETWORKS)

这是对文章给予的原代码进行更加详细的拆解和试验的部分，基于自己的理解去修改一下代码，方便自己引用和构建

代码仓库：more_detailed

根据之前的学习，构建属于自己的LSTM测试代码

步骤：

股票数据准备
股票数据预处理
- 数据特征归一化（标准化）
  
  使用scikit-learn库中的MinMaxScaler预处理类实现数据集的规范化
- 将数据集转化为有监督学习问题
  
  在实验中，定义一个名为**series_to_supervised()*函数，*该函数采用单变量或多变量时间序列并将其构建为监督学习数据集。
股票数据划分为训练集和测试集
将处理后的数据集划分为训练集和测试集。本实验将按0.85比划分数据作为测试集，其余作为训练集。将训练集和测试集的最终输入（X）转换为为LSTM的输入格式，即[samples,timesteps,features]。

Keras LSTM层的工作方式是通过接收3维（N，W，F）的数字阵列，其中N是训练序列的数目，W是序列长度，F是每个序列的特征数目。
```
# 转化为三维数据
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
```
模型构建及其预测
- 构建之前，我们先去看configs.json配置文件中是如何配置这个模型的：
```
"layers": [
  {
    "type": "lstm",
    "neurons": 100,
    "return_seq": true
  },
  {
    "type": "dropout",
    "rate": 0.2
  },
  {
    "type": "lstm",
    "neurons": 100,
    "return_seq": true
  },
  {
    "type": "lstm",
    "neurons": 100,
    "return_seq": false
  },
  {
    "type": "dropout",
    "rate": 0.2
  },
  {
    "type": "dense",
    "neurons": 1,
    "activation": "linear"
  }
```
  看上去跟构建RNN的模型没什么两样嘛，这是为什么呢。
  
  其实区别就是构建时引用的库文件不一样，我们这里引用的是keras的LSTM。
  
  而这两者区别对应的就是
  
  中间的部分不一样，训练数据还是一样的传，预测数据还是一样的预测。而这中间，已经有伟人把轮子造了，我们用就好了。
通过定义model类建立模型，在Sequential_lstm_test\core\model.py中

其中的方法：
- load_model # 加载模型，参数为.h5文件路径
- build_model # 建立模型，参数为：
  - configs:配置文件
  - input_timesteps
  - input_dim
- train # 训练模型，参数为：
  - x
  - y
  - epochs
  - batch_size
  - validation_data
  - verbose
  - shuffle
  - validation_freq
  - save_dir
- predict_point_by_point # 预测函数,参数为：
  - test_x
实验效果：
- 预测股票收盘价：
- 正弦波函数：
  
  此外代码进行了四组实验：
test_1 股票数据仅作归一化处理：
test_1_1 股票数据不作归一化处理：
test_2 正弦数据仅作归一化处理：
test_2_1正弦数据不作归一化处理：

从结果来看，似乎相差不大，大伙可以减少LSTM层尝试一下，结果是否变化变大

标签：序贯,RNN,Keras,模型,test,LSTM,数据,浅谈
来源： https://blog.csdn.net/linxinloningg/article/details/121881117

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）

浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）

总包含文章：

目录：

LSTM简介

代码实现

其他尝试

LSTM 简介：

代码仓库：[lstm_test](https://github.com/linxinloningg/lstm_learn_test/tree/main/TIME_SERIES_PREDICTION_USING_LSTM_DEEP_NEURAL_NETWORKS)

代码仓库：more_detailed

根据之前的学习，构建属于自己的LSTM测试代码

步骤：

此外代码进行了四组实验：