[[434750]]

Python中文社區(qū)（ID:python-china）

 LSTM 神經(jīng)網(wǎng)絡

長短期記憶 (LSTM) 神經(jīng)網(wǎng)絡屬于循環(huán)神經(jīng)網(wǎng)絡 (RNN) 的一種，特別適合處理和預測與時間序列相關的重要事件。以下面的句子作為一個上下文推測的例子：

“我從小在法國長大，我會說一口流利的？？”

由于同一句話前面提到”法國“這個國家，且后面提到“說”這個動作。因此，LSTM便能從”法國“以及”說“這兩個長短期記憶中重要的訊號推測出可能性較大的”法語“這個結果。

K線圖與此類似，股價是隨著時間的流動及重要訊號的出現(xiàn)而做出反應的：

•  在價穩(wěn)量縮的盤整區(qū)間中突然出現(xiàn)一帶量突破的大紅K，表示股價可能要上漲了
•  在跳空缺口后出現(xiàn)島狀反轉，表示股價可能要下跌了
•  在連漲幾天的走勢突然出現(xiàn)帶有長上下影線的十字線，表示股價有反轉的可能

LSTM 要做的事情就是找出一段時間區(qū)間的K棒當中有沒有重要訊號（如帶量紅K）并學習預測之后股價的走勢。

LSTM 股價預測實例

數(shù)據(jù)是以鴻海(2317)從2013年初到2017年底每天的開盤價、收盤價、最高價、最低價、以及成交量等數(shù)據(jù)。

首先將數(shù)據(jù)寫入并存至pandas的DataFrame，另外對可能有N/A的row進行剔除：

數(shù)據(jù)寫入： 

import pandas as pd  
foxconndf= pd.read_csv('./foxconn_2013-2017.csv', index_col=0 )  
foxconndf.dropna(how='any',inplace=True) 

為了避免原始數(shù)據(jù)太大或是太小沒有統(tǒng)一的范圍而導致 LSTM 在訓練時難以收斂，我們以一個最小最大零一正規(guī)化方法對數(shù)據(jù)進行修正： 

from sklearn import preprocessing  
def normalize(df):  
    newdf= df.copy()  
    min_max_scaler = preprocessing.MinMaxScaler()    
    newdf['open'] = min_max_scaler.fit_transform(df.open.values.reshape(-1,1))  
    newdf['low'] = min_max_scaler.fit_transform(df.low.values.reshape(-1,1))  
    newdf['high'] = min_max_scaler.fit_transform(df.high.values.reshape(-1,1))  
    newdf['volume'] = min_max_scaler.fit_transform(df.volume.values.reshape(-1,1))  
    newdf['close'] = min_max_scaler.fit_transform(df.close.values.reshape(-1,1))    
    return newdf  
foxconndf_norm= normalize(foxconndf) 

然后對數(shù)據(jù)進行訓練集與測試集的切割，另外也定義每一筆數(shù)據(jù)要有多長的時間框架： 

import numpy as np  
def data_helper(df, time_frame):   
    # 數(shù)據(jù)維度: 開盤價、收盤價、最高價、最低價、成交量, 5維  
    number_features = len(df.columns)  
    # 將dataframe 轉換為 numpy array  
    datavalue = df.as_matrix() 
    result = []  
    # 若想要觀察的 time_frame 為20天, 需要多加一天作為驗證答案  
    for index in range( len(datavalue) - (time_frame+1) ): # 從 datavalue 的第0個跑到倒數(shù)第 time_frame+1 個  
        result.append(datavalue[index: index + (time_frame+1) ]) # 逐筆取出 time_frame+1 個K棒數(shù)值做為一筆 instance     
    result = np.array(result)  
    number_train = round(0.9 * result.shape[0]) # 取 result 的前90% instance 作為訓練數(shù)據(jù)  
    x_train = result[:int(number_train), :-1] # 訓練數(shù)據(jù)中, 只取每一個 time_frame 中除了最后一筆的所有數(shù)據(jù)作為feature  
    y_train = result[:int(number_train), -1][:,-1] # 訓練數(shù)據(jù)中, 取每一個 time_frame 中最后一筆數(shù)據(jù)的最后一個數(shù)值(收盤價)作為答案    
    # 測試數(shù)據(jù)  
    x_test = result[int(number_train):, :-1]  
    y_test = result[int(number_train):, -1][:,-1]  
    # 將數(shù)據(jù)組成變好看一點  
    x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], number_features))  
    x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], number_features))    
    return [x_train, y_train, x_test, y_test]  
# 以20天為一區(qū)間進行股價預測  
X_train, y_train, X_test, y_test = data_helper(foxconndf_norm, 20)  

我們以 Keras 框架作為 LSTM 的模型選擇，首先在前面加了兩層 256個神經(jīng)元的 LSTM layer，并都加上了Dropout層來防止數(shù)據(jù)過度擬合（overfitting）。最后再加上兩層有不同數(shù)目神經(jīng)元的全連結層來得到只有1維數(shù)值的輸出結果，也就是預測股價： 

from keras.models import Sequential  
from keras.layers.core import Dense, Dropout, Activation  
from keras.layers.recurrent import LSTM  
import keras  
def build_model(input_length, input_dim):  
    d = 0.3  
    model = Sequential()  
    model.add(LSTM(256, input_shape=(input_length, input_dim), return_sequences=True))  
    model.add(Dropout(d))  
    model.add(LSTM(256, input_shape=(input_length, input_dim), return_sequences=False)) 
    model.add(Dropout(d))  
    model.add(Dense(16,kernel_initializer="uniform",activation='relu'))  
    model.add(Dense(1,kernel_initializer="uniform",activation='linear'))  
    model.compile(loss='mse',optimizer='adam', metrics=['accuracy']) 
    return model  
# 20天、5維  
model = build_model( 20, 5 ) 

建立好 LSTM 模型后，我們就用前面編輯好的訓練數(shù)據(jù)集開始進行模型的訓練：LSTM 模型訓練 

# 一個batch有128個instance，總共跑50個迭代  
model.fit( X_train, y_train, batch_size=128, epochs=50, validation_split=0.1, verbose=1) 

在經(jīng)過一段時間的訓練過程后，我們便能得到 LSTM 模型（model）。接著再用這個模型對測試數(shù)據(jù)進行預測，以及將預測出來的數(shù)值（pred）與實際股價（y_test）還原回原始股價的大小區(qū)間：

LSTM 模型預測股價及還原數(shù)值 

def denormalize(df, norm_value):  
    original_value = df['close'].values.reshape(-1,1)  
    norm_valuenorm_value = norm_value.reshape(-1,1)      
    min_max_scaler = preprocessing.MinMaxScaler()  
    min_max_scaler.fit_transform(original_value)  
    denorm_value = min_max_scaler.inverse_transform(norm_value)     
    return denorm_value  
# 用訓練好的 LSTM 模型對測試數(shù)據(jù)集進行預測  
pred = model.predict(X_test)  
# 將預測值與實際股價還原回原來的區(qū)間值  
denorm_pred = denormalize(foxconndf, pred)  
denorm_ytest = denormalize(foxconndf, y_test) 

LSTM 預測股價結果

讓我們把還原后的數(shù)值與實際股價畫出來，看看效果如何：

LSTM 預測股價結果 

import matplotlib.pyplot as plt  
%matplotlib inline    
plt.plot(denorm_pred,color='red', label='Prediction')  
plt.plot(denorm_ytest,color='blue', label='Answer')  
plt.legend(loc='best')  
plt.show() 

如下圖，藍線是實際股價、紅線是預測股價。雖然整體看起來預測股價與實際股價有類似的走勢，但仔細一看預測股價都比實際股價落后了幾天。

所以我們來調整一些設定：

•  時間框架長度的調整
•  Keras 模型里全連結層的 activation 與 optimizaer 的調整
•  Keras 模型用不同的神經(jīng)網(wǎng)路（種類、順序、數(shù)量）來組合batch_size 的調整、epochs 的調整 …

經(jīng)過我們對上述的幾個參數(shù)稍微調整過后，我們就得到一個更貼近實際股價的預測結果啦。