前天 在回應留言的時候，
提到可以用 LSTM 模型來預測籌碼資料，
而一般比較常有人用來預測股價，今天來實作一下用LSTM來預測股價。

而預測股價，又可以分成多種方式，

其中一種就是單純以 收盤價 來 預測 收盤價，這屬於簡單的自回歸，

這邊用一個簡單的LSTM模型預測股價，資料則以 DAY10 爬蟲的方式拿取資料:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM

這邊資料集以前面分析的案例2359 所羅門，用今年4月~6月的每日收盤價來預測。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM

# 先把資料印出來看一下(是excel，不是csv哦 !)
data = pd.read_excel('E:/時空資料分析/關鍵分點籌碼分析_實測/files_ss/stock_2359_data.xlsx', date_parser=True)
data

日期 Volume 成交金額 Open High Low Close 漲跌價差
0 2024-04-01 3104.656 243235.515 76.4 79.7 76.4 79.7 7.2
1 2024-04-02 2330.207 204126.075 87.6 87.6 87.6 87.6 7.9
2 2024-04-03 10516.010 988991.201 88.0 96.3 88.0 96.3 8.7
3 2024-04-08 10454.756 1066799.555 98.0 105.5 98.0 105.5 9.2
4 2024-04-09 5767.947 576906.819 105.5 105.5 96.9 99.0 -6.5
... ... ... ... ... ... ... ... ...
56 2024-06-24 7528.624 1189086.707 159.5 160.5 156.0 157.0 -2.5
57 2024-06-25 7882.500 1229871.391 158.0 159.0 152.5 158.5 1.5
58 2024-06-26 8879.074 1407071.910 159.0 162.0 155.5 155.5 -3.0
59 2024-06-27 6957.269 1064189.502 155.0 156.0 151.0 151.0 -4.5
60 2024-06-28 13440.988 2195339.078 153.0 166.0 151.5 166.0 15.0
61 rows × 8 columns

八個欄位我們就先以單純取收盤價來做為輸入，預測未來的收盤價

# 只使用收盤價來預測
data = data[['Close']]

# 資料前處理-正規化
scaler = MinMaxScaler(feature_range=(0,1))
scaled_data = scaler.fit_transform(data)

# 訓練集和測試集的比例 8:2
train_data_len = int(len(scaled_data) * 0.8)
train_data = scaled_data[0:train_data_len, :]

# 這邊以前面30天來當訓練集
X_train, y_train = [], []
for i in range(30, len(train_data)):
    X_train.append(train_data[i-30:i, 0])
    y_train.append(train_data[i, 0])

X_train, y_train = np.array(X_train), np.array(y_train)

# 重新調整資料的形狀來輸入LSTM模型
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

這邊用簡單的LSTM預設的模型，兩層LSTM層，兩層Dense層

model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(LSTM(units=50, return_sequences=False))
model.add(Dense(units=25))
model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')

# 開始訓練，讓他跑20回
model.fit(X_train, y_train, batch_size=1, epochs=20)

Epoch 1/20

18/18 ━━━━━━━━━━━━━━━━━━━━ 3s 24ms/step - loss: 0.3723
Epoch 2/20
18/18 ━━━━━━━━━━━━━━━━━━━━ 1s 25ms/step - loss: 0.0254
Epoch 3/20
....
Epoch 18/20
18/18 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0103
Epoch 19/20
18/18 ━━━━━━━━━━━━━━━━━━━━ 0s 14ms/step - loss: 0.0075
Epoch 20/20
18/18 ━━━━━━━━━━━━━━━━━━━━ 0s 16ms/step - loss: 0.0056

有發現後面的loss嗎，那是損失函數的值，會隨著訓練逐漸下降，不斷去更新模型的權重。

# 測試集
test_data = scaled_data[train_data_len - 30:, :]

X_test, y_test = [], data[train_data_len:].values
for i in range(30, len(test_data)):
    X_test.append(test_data[i-30:i, 0])

X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 預測
predictions = model.predict(X_test)
predictions = scaler.inverse_transform(predictions)

把預測結果視覺化出來!

train = data[:train_data_len]
valid = data[train_data_len:]
valid['Predictions'] = predictions

plt.figure(figsize=(16,8))
plt.title('LSTM Model')
plt.xlabel('Date', fontsize=18)
plt.ylabel('Close Price USD ($)', fontsize=18)
plt.plot(train['Close'])
plt.plot(valid[['Close', 'Predictions']])
plt.legend(['Train', 'Val', 'Predictions'], loc='lower right')
plt.show()

看起來預測得結果和真實的股價還有一段差距... 有很大的優化空間!

然而，過去的股價跟未來的股價並不一定只是單純的線性關係。

因此用多個輸入來預測，也更有機會找出其中隱藏的關係。
明天是最後一天，用LSTM模型來預測籌碼資訊好了(前面結論提到的方向之一)~
盡可能寫多一點!

每日記錄:
加權指數收在22201.85點，下跌168.81點，
今天還出量下殺，NVDA財報是很好，
但是市場還是在找理由先殺低一點，之後再低接。

今天為了準備早上上課的內容，早上只有睡兩個小時半，
結果吃過晚餐因為醣暈，醒來已經這麼晚了..
還差點忘記發文，讓各位久等了QQ，
明天這篇文章應該會增加一些幅度，更動一些內容。

subaru219 您好有研究精神! XD
昨天寫得很趕，所以就簡單得寫一下，
蠻意外用LSTM取5年資料就可以預測得這麼好，難道我們找到投資的聖杯了嗎! (驚呆