TensorFlow深度学习！构建神经网络预测股票价格！⛵

💡 作者：韩信子@ShowMeAI
📘 深度学习实战系列：https://www.showmeai.tech/tutorials/42
📘 TensorFlow 实战系列：https://www.showmeai.tech/tutorials/43
📘 本文地址：https://www.showmeai.tech/article-detail/327
📢 声明：版权所有，转载请联系平台与作者并注明出处
📢 收藏ShowMeAI查看更多精彩内容

股票价格数据是一个时间序列形态的数据，诚然，股市的涨落和各种利好利空消息更相关，更多体现的是人们的信心状况，但是它的形态下，时序前后是有一定的相关性的，我们可以使用一种特殊类型的神经网络『循环神经网络 (RNN)』来对这种时序相关的数据进行建模和学习。

在本篇内容中，ShowMeAI将给大家演示，如何构建训练神经网络并将其应用在股票数据上进行预测。

对于循环神经网络的详细信息讲解，大家可以阅读ShowMeAI整理的系列教程和文章详细了解：

💡 数据获取

在实际建模与训练之前，我们需要先获取股票数据。下面的代码使用 Ameritrade API 获取并生成数据，也可以使用其他来源。

import matplotlib.pyplot as pltimport mplfinance as mpl import pandas as pd td_consumer_key = 'YOUR-KEY-HERE'# 美国航空股票ticker = 'AAL'##periodType - day, month, year, ytd##period - number of periods to show##frequencyTYpe - type of frequency for each candle - day, month, year, ytd##frequency - the number of the frequency type in each candle - minute, daily, weeklyendpoint = 'https://api.tdameritrade.com/v1/marketdata/{stock_ticker}/pricehistory?periodType={periodType}&period={period}&frequencyType={frequencyType}&frequency={frequency}' # 获取数据full_url = endpoint.format(stock_ticker=ticker,periodType='year',period=10,frequencyType='daily',frequency=1)page = requests.get(url=full_url,params={'apikey' : td_consumer_key})content = json.loads(page.content) # 转成pandas可处理格式df = pd.json_normalize(content['candles']) # 设置时间戳为索引df['timestamp'] = pd.to_datetime(df.datetime, unit='ms')df = df.set_index("timestamp") # 绘制数据plt.figure(figsize=(15, 6), dpi=80)plt.plot(df['close'])plt.legend(['Closing Price'])plt.show() # 存储前一天的数据df["previous_close"] = df["close"].shift(1)df = df.dropna() # 删除缺失值 # 存储df.to_csv('../data/stock_'+ticker+'.csv', mode='w', index=True, header=True)

上面的代码查询 Ameritrade API 并返回 10 年的股价数据，例子中的股票为『美国航空公司』。 数据绘图结果如下所示：

💡 数据处理

我们加载刚才下载的数据文件，并开始处理预测。

# 读取数据ticker = 'AAL'df = pd.read_csv("../data/stock_"+ticker+".csv") # 设置索引df['DateIndex'] = pd.to_datetime(df['timestamp'], format="%Y/%m/%d")df = df.set_index('DateIndex')

下面我们对数据进幅度缩放，以便更好地送入神经网络和训练。（神经网络是一种对于输入数据幅度敏感的模型，不同字段较大的幅度差异，会影响网络的训练收敛速度和精度。）

# 幅度缩放df2 = dfcols = ['close', 'volume', 'previous_close']features = df2[cols]scaler = MinMaxScaler(feature_range=(0, 1)).fit(features.values)features = scaler.transform(features.values)df2[cols] = features

在这里，我们重点处理了收盘价、成交量和前几天收盘价列。

💡 数据切分

接下来我们将数据拆分为训练和测试数据集。

# 收盘价设为目标字段X = df2.drop(['close','timestamp'], axis =1)y = df2['close'] import math# 计算切分点（以80%的训练数据为例）train_percentage = 0.8split_point = math.floor(len(X) * train_percentage) # 时序切分train_x, train_y = X[:split_point], y[:split_point]test_x, test_y = X[split_point:], y[split_point:]

接下来，我们对数据进行处理，构建滑窗数据，沿时间序列创建数据样本。（因为我们需要基于历史信息对未来的数值进行预测）

# 构建滑窗数据import numpy.libfrom numpy.lib.stride_tricks import sliding_window_view def genWindows(X_in, y_in, window_size): X_out = [] y_out = [] length = X_in.shape[0] for i in range(window_size, length): X_out.append(X_in[i-window_size:i, 0:4]) y_out.append(y_in[i-1]) return np.array(X_out), np.array(y_out) # 窗口大小为5window_size = 5X_train_win, y_train_win = genWindows(np.array(train_x), np.array(train_y), window_size)X_test_win, y_test_win = genWindows(np.array(test_x), np.array(test_y), window_size)

💡 模型构建&训练

构建完数据之后，我们就要构建 RNN 模型了，具体的代码如下所示。注意到下面使用了1个回调函数，模型会在验证集性能没有改善的情况下提前停止训练，防止模型过拟合影响泛化能力。

from tensorflow.keras import callbacks # 早停止 回调函数callback_early_stopping = callbacks.EarlyStopping( monitor="loss", patience=10,#look at last 10 epochs min_delta=0.0001,#loss must improve by this amount restore_best_weights=True,) from tensorflow import kerasfrom tensorflow.keras import layersfrom keras.models import Sequential # 构建RNN模型，结构为 输入-RNN-RNN-连续值输出input_shape=(X_train_win.shape[1],X_train_win.shape[2])print(input_shape)model = Sequential( [ layers.Input(shape=input_shape), layers.SimpleRNN(units=128, return_sequences=True), layers.SimpleRNN(64, return_sequences=False), layers.Dense(1, activation="linear"), ]) # 优化器optimizer = keras.optimizers.Nadam(learning_rate=0.0001)model.compile(optimizer=optimizer, loss="mse") # 模型结构总结model.summary() # 模型训练batch_size = 20epochs = 50history = model.fit(X_train_win, y_train_win, batch_size=batch_size, epochs=epochs, callbacks=[ callback_early_stopping ])

模型训练过程的损失函数（训练集上）的变化如下图所示。随着训练过程推进，模型损失不断优化，初期的优化和loss减小速度很快，后逐渐趋于平稳。

大约 10 个 epoch 后达到了最佳结果，训练好的模型就可以用于后续预测了，我们可以先对训练集进行预测，验证一下在训练集上学习的效果。

# 训练集预测pred_train_y = model.predict(X_train_win) # 绘图plt.figure(figsize=(15, 6), dpi=80)plt.plot(np.array(train_y))plt.plot(pred_train_y)plt.legend(['Actual', 'Predictions'])plt.show()

模型在训练集上学习的效果还不错，大家可以看到预测结果和真实值对比绘图如下：

💡 模型预测&应用

我们要评估模型的真实表现，需要在它没有见过的测试数据上评估，大家记得我们在数据切分的时候预留了 20% 的数据，下面我们用模型在这部分数据上预测并评估。

# 测试集预测pred_test_y = model.predict(X_test_win) # 预测结果绘制plt.figure(figsize=(15, 6), dpi=80)plt.plot(np.array(test_y))plt.plot(pred_test_y)plt.legend(['Actual', 'Predictions'])plt.show()

相对训练集来说，大家看到测试集上的效果稍有偏差，但是总体趋势还是预测得不错。

我们要考察这个模型对于时间序列预测的泛化能力，可以进行更严格一点的建模预测，比如将训练得到的模型应用与另一支完全没见过的股票上进行预测。如下为我们训练得到的模型对 Microsoft/微软股票价格的预测：

我们从图上可以看到，模型表现良好（预测存在一定程度的噪音，但它对总体趋势的预测比较准确）。