今天來嘗試另外一個LSTM經典案例 - 股票預測，股票也是時間序列型資料！過去，金融業希望能找出一個強而有力的模型，不管預測股票或者期貨等等標的。但，似乎目前都還未有一個非常powerful的標的。也有可能有人已經做出來，只是不願意release，畢竟做出來 = 發大財。而針對金融相關標的的預測，以前看過一些paper以及方法。像是希望能利用情感分析等外部資訊來增加預測水準 (Ex: 輿情，最近股票市場可能跟川普發文有正相關吧XD )。因此，也可以利用上一篇情感分析的方法，來做為股票預測的特徵。現在許多人嘗試使用Deep Reinforcement Learning (DRL) 來預測股票，套一句李教授說的話 "硬train一發"。

這次使用的是台灣50的股票預測，台灣50就是一次幫你買進台灣最大的50檔股票 (Ex: TSMC)，這些股票又稱為ETF。接下來就開始今天的實作。

首先可以直接讀資料看一下資料樣態

stock = pd.read_csv('stock50.csv')
stock.head()

資料欄位包含了

知道欄位後，接下來可以做一些前處理，Ex: Max - Min Normalize。此外，因為我們要預測的是收盤價格，所以會需要shit日期

def normalize(df):
    norm = df.apply(lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)))
    return norm

stock = stock.dropna()
stock['y'] = stock['Close'].shift(-1)
stock.iloc[:,2:4] = normalize(stock.iloc[:,2:4])
stock.head()

因為我們要針對時間序列資料做前處理，並做成可以預測的樣態 (Ex: 五天預測一天，或者十天預測一天)。

def train_windows(df, ref_day=5, predict_day=1):
    X_train, Y_train = [], []
    for i in range(df.shape[0]-predict_day-ref_day+1):
        X_train.append(np.array(df.iloc[i:i+ref_day,:-1]))
        Y_train.append(np.array(df.iloc[i+ref_day:i+ref_day+predict_day]["y"]))
    return np.array(X_train), np.array(Y_train)

接下來就可以train一發了，上一篇我們是自己寫LSTM function，這次嘗試改用tf.keras.Sequential的方式來執行，就像是:

class stock_lstm(keras.Model):
  def __init__(self,units):
      super(stock_lstm, self).__init__()
      self.rnn = Sequential([
          layers.SimpleRNN(units,input_shape=(5,2),dropout=0.2,return_sequences=True,unroll=True),
          layers.SimpleRNN(units,dropout=0.2,unroll=True)])
      self.fc = layers.Dense(32)
      self.out = layers.Dense(1)
  def call(self, inputs, training=None):
      x = self.rnn(inputs)
      x = self.fc(x)
      out = self.out(x)
      return out

這樣是不是看起來很方便，且直觀，更像以前在使用 keras api 的方法!

接下來就可以直接model compile以及model.fit了！針對股票預測的部分，loss可以選擇MAE，MSE 等等 loss function，就不能選擇crossentropy的方法了！

rnn_model = stock_lstm(units)
rnn_model.compile(optimizer  =keras.optimizers.Adam(),loss="mean_absolute_error",metrics=['mean_absolute_error'])
rnn_model.fit(data,epochs=epochs, validation_data = data_test,shuffle=True)

小結：

今天跑完LSTM的股票應用，以前研究所時，本魯也曾經在金融業實習過，當初所預測的標的是期貨相關產品 ，也很許多金融業前輩學習到很多。也很感謝當時後的長官，因為資料科學或是做模型真的很需要Domain Know how，當時候學到了許多基本的金融指標。感謝大家漫長閱讀～明天應該會來看一些新的模型！

一天一梗圖：

source

Reference

LSTM_Stock_predict_colab

LSTM

Kaggle_LSTM