基于LSTM的股票价格预测模型

-欢迎加入AI技术专家社群>>

- 日薪5K-10K招兼职AI讲师>>

LSTM(Long Short Term Memory)是一种 特殊的RNN类型，同其他的RNNs相比可以更加方便地学习长期依赖关系，因此有很多人试图将其应用于 时间序列的预测问题 上。汇丰银行全球资产管理开发副总裁Jakob Aungiers在他的个人网站上比较详细地介绍了LSTM在Time Series Prediction上的运用（http://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-for-Time-Series-Prediction），本文以这篇文章的代码为基础，以Bigquant为平台，介绍一下”LSTM-for-Time-Series-Prediction“的流程。

Keras是实现LSTM最方便的python库（Bigquant平台已经装好了，不用自己安装了）

##加载转换数据
例如希望根据前seq_len天的收盘价预测第二天的收盘价，那么可以将data转换为(len(data)-seq_len)(seq_len+1)的数组，由于LSTM神经网络接受的input为3维数组，因此最后可将input+output转化为(len(data)-seq_len)(seq_len+1)*1的数组

def  load_data(instrument,start_date,end_date,field,seq_len,prediction_len,train_proportion,normalise=True):    data=D.history_data(instrument,start_date,end_date,fields)    ……    seq_len=seq_len+1      result=[]    for index in range(len(data)-seq_len):        result.append(data[index:index+seq_len])        ……        # 规范化之后        x_train = train[:, :-1]        y_train = train[:, -1]        x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1)) 

       # 测试数据同样处理

##构建LSTM神经网络

model = Sequential()   model.add(LSTM(input_dim=layers[0],output_dim=layers[1],return_sequences=True)) model.add(Dropout(0.2)) model.add(LSTM(layers[1],return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(input_dim=layers[1],output_dim=layers[2])) model.add(Activation("linear")) rms=optimizers.RMSprop(lr=conf.lr, rho=0.9, epsilon=1e-06) model.compile(loss="mse", optimizer=rms)

此神经网络共三层，第一层为LSTM层，输入数据维度是1，输出数据维度为seq_len；第二层也为LSTM层，输入和输出维度均为seq_len层；第三层为Dense层，输入数据维度是seq_len，输出数据维度为1，最终将input与output对应起来。
compile：编译用来配置模型的学习过程，可选参数有loss,optimizer等。模型在使用前必须编译，否则在调用fit或evaluate时会抛出异常
loss为损失函数，可用mse,mae,binary_crossentropy等；
optimizers为优化器，即优化参数的算法，可供选择为SGD（随机梯度下降法），RMSprop（处理递归神经网络时的一个良好选择），Adagrad等（具体参见http://keras-cn.readthedocs.io/en/latest/ ，网页提供Keras相关函数的详细介绍）。

model.fit(X_train,y_train,batch_size=conf.batch,nb_epoch=conf.epochs,validation_split=conf.validation_split
fit为训练函数，batch_size：整数，训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步；nb_epoch：迭代次数；validation_split：0~1之间的浮点数，用来指定训练集的一定比例数据作为验证集

模型在test_data集上的预测，根据前seq_len长度预测下一时间的close。

另外，在此基础上，若希望预测prediction_len长度的close，则可在第一个predict_close的基础上，以此predict_close和前seq_len-1个true_close为input，预测下一个close，以此类推，可预测一定长度甚至全部长度的时间序列（predict_sequences_multiple，predict_sequence_full）

##回测（以predict_sequences_multiple为例）
思路是这样：看prediction_len长度内的涨跌，若prediction_len最后一天收盘价大于第一天的收盘价，则下买单；反之，不做单或者平仓

##效果
效果不是特别好，可能和我没有优化参数有很大关系，希望能抛砖引玉，完整策略代码如下，欢迎指正和讨论:slight_smile:

补充：如果运行出错，请检查M.trade模块是否是最新版本。

附件：基于LSTM的股票价格预测模型实例

> Loading data...> Data Loaded. Compiling...> Compilation Time :  9.5367431640625e-07Train on 2121 samples, validate on 236 samplesEpoch 1/12121/2121 [==============================] - 15s - loss: 0.0139 - val_loss: 0.0039Training duration (s) :  37.46438002586365

[2017-07-20 12:20:09.734573] INFO: bigquant: backtest.v7 start ..[2017-07-20 12:20:12.030542] INFO: Performance: Simulated 561 trading days out of 561.[2017-07-20 12:20:12.031667] INFO: Performance: first open: 2015-02-17 14:30:00+00:00[2017-07-20 12:20:12.032472] INFO: Performance: last close: 2017-06-09 19:00:00+00:00

[2017-07-20 12:20:14.872765] INFO: bigquant: backtest.v7 end [5.138171s].

原文：https://community.bigquant.com/t/%E9%87%8F%E5%8C%96%E5%AD%A6%E5%A0%82-%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E4%BA%8ELSTM%E7%9A%84%E8%82%A1%E7%A5%A8%E4%BB%B7%E6%A0%BC%E9%A2%84%E6%B5%8B%E6%A8%A1%E5%9E%8B/201

扫描图中二维码，报名加入学习

点击“阅读原文”，查看详情