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）

2023-12-12 21:08:40

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*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：