Python深度学习05——Keras循环神经网络实现股价预测

 参考书目：陈允杰.TensorFlow与Keras——Python深度学习应用实战.北京:中国水利水电出版社,2021

本系列基本不讲数学原理，只从代码角度去让读者们利用最简洁的Python代码实现深度学习方法。

---

循环神经网络最初是用来处理文本数据的，自然语言都是时序数据，股价也是。循环神经网络可以专门用来预测时间序列数据，虽然股价预测是很难在实际中去应用，预测的也是不太准，因为股市的数据波动超级大，波动因素也不确定（还有一些别的原因下面数据处理时会介绍）.....但是对于具有固定规律的时间序列数据预测还是不错的，比如天气，用电量负荷等等，本次采用Google股价数据作为循环神经网络的案例演示，别的时间序列数据也是通用。由于是预测价格，相当于是回归问题。文本数据处理起来有点麻烦，因为涉及到词向量之类，文本要处理成矩阵才能送入神经网络运算，之后会介绍文本的情感分类问题。本次就当时间序列数据的回归问题案例。

循环神经网络最经典的就是RNN,LSTM,GRU三种，三种其实用法一样，下面都会介绍。

一般来说预测效果是LSTM>=GRU>RNN。

---

使用循环神经网络预测Google股价

Google股价可以在雅虎财经下载，或者去同花顺亿牛网东方财富网等随便下一支A股股价数据都行，一样用。

导入包，读取数据，查看数据长什么样子

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, Dropout,LSTM,SimpleRNN,GRU

np.random.seed(10)  # 指定乱数种子  
# 载入Google股价的训练数据集 
df_train = pd.read_csv("GOOG_Stock_Price_Train.csv",index_col="Date",parse_dates=True)
df_train

 有每天的开盘价，最高价，最低价，收盘价，除权价，成交量，我们一般采用收盘价作为股价，本次使用调整的收盘价，也就是Adj Close

数据标准化，然后分割X和y，训练集和测试集（X是前60天股价，y是第61天股价，然后滑动窗口，得到所有的X和y）

X_train_set = df_train.iloc[:,4:5].values  # Adj Close欄位
#特征标准化 - 正规化 
sc = MinMaxScaler() 
X_train_set = sc.fit_transform(X_train_set)

#取出几天前股价来建立成特征和标签数据集
def create_dataset(ds, look_back=1):
    X_data, Y_data = [],[]
    for i in range(len(ds)-look_back):
        X_data.append(ds[i:(i+look_back), 0])
        Y_data.append(ds[i+look_back, 0])
    return np.array(X_data), np.array(Y_data)
look_back = 60
print("回看天数:", look_back)

# 分割成特征数据和标签数据
X_train, Y_train = create_dataset(X_train_set, look_back)

print(X_train)

可以直接查看一下X和y的形状。由于是循环神经网络，要三维的数据输入，下面把X改为三维张量，查看形状。

# 转换成(样本数, 时步, 特征)张量  
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
print("X_train.shape: ", X_train.shape)
print("Y_train.shape: ", Y_train.shape)

 

1198为样本个数，60是时间步长，1是一个特征，即单变量，只有股价一个特征变量。预测就相当于是前60天股价预测第61天股价。

---

定义RNN模型

 首先使用最普通的循环神经网络——RNN

# 定义模型 
model = Sequential()
model.add(SimpleRNN(50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(SimpleRNN(50))
model.add(Dropout(0.2))
model.add(Dense(1))
model.summary()   # 显示模型摘要资讯  
#编译模型
model.compile(loss="mse", optimizer="adam")

#训练模型
model.fit(X_train, Y_train, epochs=100, batch_size=32)

这里堆叠了两层的RNN，每层50个神经元，训练100轮 

 RNN训练起来特别慢，下面使用LSTM（如果想用GRU，直接把所有的LSTM改成GRU就行，其他的位置不需要任何改动，很方便）

定义LSTM（GRU）模型

# 定义模型 
model = Sequential()
model.add(LSTM(50, return_sequences=True, 
               input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))
model.add(LSTM(50, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(50))
model.add(Dropout(0.2))
model.add(Dense(1))
model.summary()   # 显示模型摘要资讯  
#编译模型
model.compile(loss="mse", optimizer="adam")

#训练模型
model.fit(X_train, Y_train, epochs=100, batch_size=32)

这里堆叠了3层LSTM层，训练结果如下

 只看损失感觉很小，进一步和真实值对比

# 使用模型预测股价 - 2017年1~3月预测 4 月份股价
df_test = pd.read_csv("GOOG_Stock_Price_Test.csv")
X_test_set = df_test.iloc[:,4:5].values

# 产生标签数据
_, Y_test = create_dataset(X_test_set, look_back)

#特征数据和标准化
X_test_s = sc.transform(X_test_set)
X_test,_ = create_dataset(X_test_s, look_back)

# 转换成(样本数, 时步, 特征)张量
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
X_test_pred = model.predict(X_test)

#  将预测值转换回股价
X_test_pred_price = sc.inverse_transform(X_test_pred)

画图查看对比

#  绘出股价图表  
import matplotlib.pyplot as plt
plt.plot(Y_test, color="red", label="Real Stock Price")
plt.plot(X_test_pred_price, color="blue", label="Predicted Stock Price")
plt.title("2017 Google Stock Price Prediction")
plt.xlabel("Time")
plt.ylabel("Google Time Price")
plt.legend()
plt.show()

 看上去还不错.....但其实差的有点远，股价预测840，和真实值的830差的不多，但是真的实盘操作这10块很致命，可能就是赚钱和亏损的区别。

而且最严重的问题是，这是单步预测，即采用前60天的真实数据去预测61天的数据，下一个样本X也是用的真实数据。也就是说如果不知道真实数据的话，只能预测一步，只能预测到明天的价格，不能预测后天的价格。

当然解决办法是把预测出来的y作为下一个X放进去然后再预测，但是预测出出来的值和真实值是有差异的，X有误差了，那么估计的y也会有误差，并且滑动窗口越多，误差会累计得越来越大.....所以做长期的预测不准确的原因在这里。

当然，对于具有明显的周期性或者是趋势性的时间序列数据来说，循环神经网络的效果还是不错的，股价预测也只能是当案例看看了，只靠这种单一的价格模型去预测股价是很困难的。