上回我們收集完2021年台塑股票資訊了，接下來我們就要開始建構我們的RNN模型了。我們先把主要功能建立成函式，這樣的好處是最後的程式碼看起來比較乾淨、可讀性提升，之後要修改程式碼也比較容易。我們將主要功能分為三項，分別是匯入資料、建立模型以及訓練模型。

匯入資料

第一個函式為匯入資料，參數為資料、標籤、訓練長度以及訓練集與測試集的比例。首先要做的事跟做CNN時一樣，先將資料轉成合適的檔案格式，接著將特徵值正規化。接著我們將每十天的收盤價、最高價以及最低價為一單位做儲存，而標籤結果為隔一天的收盤價。最後跟CNN一樣，需要分為訓練集以及測試集，最後的結果才能作驗證。

def load_data(df, dfp, sequence_length = 10, split = 0.8):
    # convert features from dataframe to float
    data_all = np.array(df).astype(float)
    # scale features betweem 0 and 1
    data_all = scaler.fit_transform(data_all)

    # convert labels from dataframe to float
    datap_all = np.array(dfp).astype(float)
    print("datap_all's shape: ", datap_all.shape)
    # scale labels between 0 and 1
    datap_all = scalert.fit_transform(datap_all)

    # split every sequence_length's days into a sector, label is the day after the sector
    data = []
    datap = []
    for i in range(len(data_all) - sequence_length):
        data.append(data_all[i: i + sequence_length])
        datap.append(datap_all[i + sequence_length])

    # convert features and labels from list into float matrix
    x = np.array(data).astype("float64")
    y = np.array(datap).astype("float64")

    # split training set and testing set
    split_boundary = int(x.shape[0] * split)
    train_x = x[:split_boundary]
    test_x = x[split_boundary:]

    train_y = y[:split_boundary]
    test_y = y[split_boundary:]

    return train_x, train_y, test_x, test_y

建立模型

第二個函式為建立模型，不需要給予參數，最終回傳model。我們這裡選用LSTM模型，這樣對於長期的訓練效果比較好。

def build_model():
    # create a model
    model = Sequential()
    # add LSTM layer
    model.add(LSTM(input_shape = (10, 3), units = 256, unroll = False))
    # add input layer
    model.add(Dense(units = 1))
    # set the training mode
    model.compile(loss = "mse", optimizer = "adam", metrics = ["accuracy"])
    return model

訓練模型

第三個函式為訓練模型，參數為訓練集資料、訓練集標籤、測試集資料。功能為用給定的訓練集資料以及訓練集標籤做模型的訓練，接著以訓練完的模型對測試集資料做預測，最終回傳預測結果。

def train_model(train_x, train_y, test_x, test_y):
    # start training model
    model.fit(train_x, train_y, batch_size = 100, epochs = 300, validation_split = 0.1)
    # do prediction on test set
    predict = model.predict(test_x)
    # convert to one-dimension matrix
    predict = np.reshape(predict, (predict.size,))

    return predict