股票市場漲漲跌跌，好像毫無規(guī)律，但有一些人卻憑借自己的直覺掌握了一些特殊規(guī)律，從而實現(xiàn)在股票上的實現(xiàn)斬獲?，F(xiàn)在在人工智能時代，Python+AI框架，無疑會利用人工智能優(yōu)勢可以對股票市場進行特征學習，抓取比憑借個人感覺更多的股票數(shù)字特征。本文要介紹的就是利用Python+keras對股票進行時間序列上的數(shù)字特征預測。

預備條件：

假設您熟悉python，并且已經(jīng)在系統(tǒng)中安裝了python 3。本教程中使用了jupyter筆記本。您可以使用自己喜歡的IDE。

使用的數(shù)據(jù)集：

本教程中使用的數(shù)據(jù)集是基于Tushare獲取的股票信息。更多股票代碼可以用下面的搜索工具獲取。至于Tushare的使用，可以參考以前的python神級技巧，不要爬蟲一分鐘獲取股票基金持股情況文章學習。

安裝所需的庫

對于此項目，您需要在python中安裝以下軟件包。如果未安裝，則只需使用即可pip install PackageName。

• NumPy —該庫提供快速計算的n維數(shù)組對象。
• Pandas —它提供了一個數(shù)據(jù)框和序列，可以對數(shù)據(jù)執(zhí)行操作和分析。
• matplotlib —該庫有助于使用各種圖表來可視化數(shù)據(jù)。
• scikit-learn —這是一個機器學習庫，提供了用于預測分析的各種工具和算法。我們將使用其工具或功能進行數(shù)據(jù)預處理。
• Keras —這是一個基于TensorFlow的高級深度學習庫，用于提供神經(jīng)網(wǎng)絡的簡單實現(xiàn)。我們之所以使用它，是因為它對初學者友好且易于實施。
• TensorFlow -這個庫是由所需Keras作為Keras運行在TensorFlow本身。

開始編碼

首先，需要導入將在項目中使用的庫。在這里，numpy用于創(chuàng)建NumPy數(shù)組以訓練和測試數(shù)據(jù)。pandas用于制作數(shù)據(jù)集的數(shù)據(jù)框并輕松檢索值。matplotlib.pyplot繪制總體股價和預測價格之類的數(shù)據(jù)。MinMaxScaler從sklearn的（scikit-learn）預處理程序包中進行歸一化處理。Sequential dense LSTM Dropout從Keras導入了數(shù)據(jù)，將有助于創(chuàng)建深度學習模型。稍后將討論這些模塊。

現(xiàn)在，將數(shù)據(jù)集作為數(shù)據(jù)框加載到名為df的變量中。然后，檢查了數(shù)據(jù)集的形狀，結果為（2035,8）表示數(shù)據(jù)集中有2035行和8列。之后，將數(shù)據(jù)集上下顛倒過來，以便日期從最早的日期開始到最近的日期，這樣做還必須重置索引。然后，打印數(shù)據(jù)集的一些開始行head()。

df = pd.read_csv('tu.csv')df.shapedf = df[::-1]df = df.reset_index(drop=True)df.head()

數(shù)據(jù)集的前5個條目

僅選擇了一個“ 開放”功能來訓練的模型，但是您可以自由選擇多個功能，但是隨后將相應地更改代碼。在訓練集中，有2000個值，而在測試中，只選擇35個值。然后簡單地打印了兩個類別的數(shù)據(jù)，分別train_set test_set是（2000,1）和（35,1）。

在這里，將Date列轉(zhuǎn)換為DateTime格式以方便地進行繪制。然后簡單地用于plot_date繪制整個時間軸上的股票開盤價的圖，并使用保存該圖savefig。

dates = pd.to_datetime(df['Date'])plt.plot_date(dates, open_price,fmt='-')plt.savefig('test1final.png')

現(xiàn)在，已經(jīng)初始化了MinMaxScalar用于縮放0到1范圍內(nèi)的每個值的。這是非常重要的一步，因為當特征處于相對相似的縮放比例時，神經(jīng)網(wǎng)絡和其他算法的收斂速度更快。

棘手的部分到了?，F(xiàn)在，必須使數(shù)據(jù)適合我們的RNN模型，即使用目標最終值制作數(shù)據(jù)序列。讓我用這個例子來解釋。假設數(shù)據(jù)集的值介于1到10之間，并且序列長度為3。在這種情況下，訓練數(shù)據(jù)如下所示：

序列訓練數(shù)據(jù)示例

在代碼中，序列的長度為60，這意味著只有前60個值將決定下一個值，而不是整個數(shù)據(jù)集。之后，創(chuàng)建了NumPy x_train和NumPy數(shù)組以y_train進行快速計算，并根據(jù)模型的要求重塑了訓練集。的最終形狀為x_train（1940，60，1）。

x_train = []y_train = []for i in range(60,2000):    x_train.append(train_set_scaled[i-60:i,0])    y_train.append(train_set_scaled[i,0])x_train = np.array(x_train)y_train = np.array(y_train)x_train = np.reshape(x_train,(x_train.shape[0],x_train.shape[1],1))x_train.shape

現(xiàn)在，將創(chuàng)建模型的架構。使用Keras是因為與其他可用庫相比，使用Keras進行深度學習模型非常容易。在這里，初始化了Sequential對象，該對象充當模型內(nèi)所有圖層的捆綁程序。模型總共有4個LSTM層和1個致密層。

LSTM（長期短期記憶）是一種遞歸神經(jīng)網(wǎng)絡，具有一些上下文狀態(tài)單元，它們充當長期或短期記憶單元，并且這些單元調(diào)節(jié)輸出。當需要根據(jù)歷史背景而不是僅根據(jù)最后的輸入來預測輸出時，這一點很重要。例如，必須預測序列3,4,5 ,?中的下一個數(shù)字。那么輸出就是6（x + 1），但是順序為0,2,4 ,?輸出也是6，但是它也取決于上下文信息。

Dropout用于通過一次簡單地停用某些單元（神經(jīng)元）來防止數(shù)據(jù)過擬合。在案例中，一次會停用20％的單元。最后，有一個包含1個單位的密集層，可提供預測值。

然后，只需使用優(yōu)化程序編譯模型，然后將模型擬合到數(shù)據(jù)上，然后運行20次迭代即可。

每次迭代的損失

如您所見，模型收斂于15 個epoch，總共花了90分鐘才能運行20次。是的，RNN模型需要時間訓練。

RNN模型需要時間

現(xiàn)在，是時候為測試創(chuàng)建輸入了。的形狀input為（95，1），下面也縮放了此數(shù)據(jù)。

input = open_price[len(open_price)-len(test_set)-60:].valuesinput.shapeinput = sc.transform(input)

這是最后一部分，其中簡單地制作數(shù)據(jù)序列以預測最近35天的庫存值。第一個序列包含從1至60的數(shù)據(jù)來預測第61個值，第二個序列包含從2到61的數(shù)據(jù)來預測第62個值，依此類推。的形狀x_test是（35，60，1），這說明了這一點。

最終，只是預測使用值predict定義的模型的功能，并繪制最后35個某種給定股票的實際和預測值。

pred = reg.predict(x_test)pred = sc.inverse_transform(pred)plt.plot(test_set,color='green')plt.plot(pred,color='red')plt.title('股票預測')plt.show()

最后具體運行結果就作為作業(yè)留給大家自行完成。但可以很樂觀的告訴大家，模型在某些特定時間段上預測給定股票的未來趨勢方面非常準確。

但是，距離成為股票市場上的出色顧問還會有比較大的挑戰(zhàn)。

下一步目標

通過合并更多功能，增加數(shù)據(jù)集以及調(diào)整模型本身，可以進一步改善模型。