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：

• 一个完整的机器学习模型的流程
• 浅谈深度学习：了解RNN和构建并预测
• 浅谈深度学习：基于对LSTM项目LSTM Neural Network for Time Series Prediction的理解与回顾
• 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）

目录：

• LSTM简介

• 代码实现

• 其他尝试

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