图片

写在前边的话：本文手把手教会群众使用 Python 和 AI 进行股票交往预计。起原先容了不同的预计方法，至极是 LSTM 处理序列预计的智商。然后提供了意见考据要领，包括装配、创建时势等，还展示代码配置，如导入库、用函数熟练测试模子，临了还评估了模子的性能。

咱们探寻了多种预计股价的形势，像 Facebook 的 Prophet 等预计用具、SARIMA 模子等统计妙技、多项式总结等机器学习战术，还有基于东说念主工智能的轮回神经网罗（RNN）。在浩荡东说念主工智能模子与本领里，咱们发现口角时操心（LSTM）模子能带来最理思的收尾。

LSTM 模子是递归神经网罗架构的一种变形，擅所长理序列预计不毛。它与传统的前馈神经网罗不同，具有访佛操心的结构，能在多数序列中保留迤逦文数据。这一特点使其相等合乎时刻序列预计、当然言语处理以偏激他依赖序列数据的任务。它通过缓解消成仇梯度爆炸问题，科罚了圭臬 RNN 的基本弱势，从而提高了模子识别数据集内长久依赖关系的智商。因此，LSTM 已成为需要万古刻真切衔接数据的复杂任务的首选。

为了考据其灵验性，咱们开采了一个意见考据。

一、准备责任

你需要在你的忖度机中（或遴荐使用 VSCode 会愈加便捷）装配最新版块的 Python 和 PIP。（https://code.visualstudio.com/）

创建一个带有 “main.py “文献的 Python 时势。

在时势中添加 “data”目次。

配置并激活假造环境。

trading-ai-lstm $ python3 -m venv venvtrading-ai-lstm $ source venv/.bin/activate(venv) trading-ai-lstm $

创建一个 “requirements.txt “文献。

pandasnumpyscikit-learnscipymatplotlibtensorfloweodhdpython-dotenv

确保已在假造环境中升级 PIP 并装配依赖项。

(venv) trading-ai-lstm $ pip install --upgrade pip(venv) trading-ai-lstm $ python3 -m pip install -r requirements.txt

需要在”.env “文献中加入了 EODHD API 的 API 密钥。

API_TOKEN=<YOUR_API_KEY_GOES_HERE>

一切就绪。如果你正在使用  VSCode ，并但愿使用与咱们疏导的”.vscode/settings.json “文献，请点击 Fork 本时势 GitHub 仓库(https://github.com/alexyu2013/trading-ai-lstm)，以备预加防范。

{

  'python.formatting.provider': 'none',  'python.formatting.blackArgs': ['--line-length', '160'],  'python.linting.flake8Args': [    '--max-line-length=160',    '--ignore=E203,E266,E501,W503,F403,F401,C901'  ],  'python.analysis.diagnosticSeverityOverrides': {    'reportUnusedImport': 'information',    'reportMissingImports': 'none'  },  '[python]': {    'editor.defaultFormatter': 'ms-python.black-formatter'  }}

二、代码构建

第一步是导入必要的库。

import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '1'import pickleimport pandas as pdimport numpy as npfrom dotenv import load_dotenvfrom sklearn.metrics import mean_squared_error, mean_absolute_errorfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import LSTM, Dense, Dropoutfrom tensorflow.keras.models import load_modelfrom sklearn.preprocessing import MinMaxScalerimport matplotlib.pyplot as pltfrom eodhd import APIClient

TensorFlow 常常会自动生成诸多教化与调试信息。而咱们更倾向于简易明了的输出，故而对这些见告进行了阻挡。这不错在导入“os”模块后，借助 os.environ 来罢了。

机器学习和东说念主工智能模子的熟练过程需要多数的微调，主若是通过所谓的超参数（hyperparameters）进行料理。这个问题长短不一，掌捏它需要不停学习和耐性，最好超参数的遴荐受到多样要素的影响。凭证咱们通过 EODHD API （https://eodhd.com/）取得的圭臬普尔 500 指数逐日数据，咱们起原使用了一些广为招供的配置。咱们饱读动您修改这些配置以提高收尾。咫尺，忽视将序列长度保持在 20。

# Configurable hyperparametersseq_length = 20batch_size = 64lstm_units = 50epochs = 100

下一步是从咱们的”.env “文献中取得 EODHD API 的 API_TOKEN。

# Load environment variables from the .env fileload_dotenv()# Retrieve the API keyAPI_TOKEN = os.getenv('API_TOKEN')if API_TOKEN is not None:    print(f'API key loaded: {API_TOKEN[:4]}********')else:    raise LookupError('Failed to load API key.')

需要确保领有灵验的 EODHD API 的 API_TOKEN 才略告捷走访数据。

咱们还是配置了几个可同样使用的函数，并将不才文中翔实先容它们的功能。我把这些函数进行了代码扫视，以证实其操作。

def get_ohlc_data(use_cache: bool = False) -> pd.DataFrame:    ohlcv_file = 'data/ohlcv.csv'    if use_cache:        if os.path.exists(ohlcv_file):            return pd.read_csv(ohlcv_file, index_col=None)        else:            api = APIClient(API_TOKEN)            df = api.get_historical_data(                symbol='HSPX.LSE',                interval='d',                iso8601_start='2010-05-17',                iso8601_end='2023-10-04',            )            df.to_csv(ohlcv_file, index=False)            return df    else:        api = APIClient(API_TOKEN)        return api.get_historical_data(            symbol='HSPX.LSE',            interval='d',            iso8601_start='2010-05-17',            iso8601_end='2023-10-04',        )def create_sequences(data, seq_length):    x, y = [], []    for i in range(len(data) - seq_length):        x.append(data[i : i + seq_length])        y.append(data[i + seq_length, 3])  # The prediction target 'close' is the 4th column (index 3)    return np.array(x), np.array(y)def get_features(df: pd.DataFrame = None, feature_columns: list = ['open', 'high', 'low', 'close', 'volume']) -> list:    return df[feature_columns].valuesdef get_target(df: pd.DataFrame = None, target_column: str = 'close') -> list:    return df[target_column].valuesdef get_scaler(use_cache: bool = True) -> MinMaxScaler:    scaler_file = 'data/scaler.pkl'    if use_cache:        if os.path.exists(scaler_file):            # Load the scaler            with open(scaler_file, 'rb') as f:                return pickle.load(f)        else:            scaler = MinMaxScaler(feature_range=(0, 1))            with open(scaler_file, 'wb') as f:                pickle.dump(scaler, f)            return scaler    else:        return MinMaxScaler(feature_range=(0, 1))def scale_features(scaler: MinMaxScaler = None, features: list = []):    return scaler.fit_transform(features)def get_lstm_model(use_cache: bool = False) -> Sequential:    model_file = 'data/lstm_model.h5'    if use_cache:        if os.path.exists(model_file):            # Load the model            return load_model(model_file)        else:            # Train the LSTM model and save it            model = Sequential()            model.add(LSTM(units=lstm_units, activation='tanh', input_shape=(seq_length, 5)))            model.add(Dropout(0.2))            model.add(Dense(units=1))            model.compile(optimizer='adam', loss='mean_squared_error')            model.fit(x_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=(x_test, y_test))            # Save the entire model to a HDF5 file            model.save(model_file)            return model    else:        # Train the LSTM model        model = Sequential()        model.add(LSTM(units=lstm_units, activation='tanh', input_shape=(seq_length, 5)))        model.add(Dropout(0.2))        model.add(Dense(units=1))        model.compile(optimizer='adam', loss='mean_squared_error')        model.fit(x_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=(x_test, y_test))        return modeldef get_predicted_x_test_prices(x_test: np.ndarray = None):    predicted = model.predict(x_test)    # Create a zero-filled matrix to aid in inverse transformation    zero_filled_matrix = np.zeros((predicted.shape[0], 5))    # Replace the 'close' column of zero_filled_matrix with the predicted values    zero_filled_matrix[:, 3] = np.squeeze(predicted)    # Perform inverse transformation    return scaler.inverse_transform(zero_filled_matrix)[:, 3]def plot_x_test_actual_vs_predicted(actual_close_prices: list = [], predicted_x_test_close_prices = []) -> None:    # Plotting the actual and predicted close prices    plt.figure(figsize=(14, 7))    plt.plot(actual_close_prices, label='Actual Close Prices', color='blue')    plt.plot(predicted_x_test_close_prices, label='Predicted Close Prices', color='red')    plt.title('Actual vs Predicted Close Prices')    plt.xlabel('Time')    plt.ylabel('Price')    plt.legend()    plt.show()def predict_next_close(df: pd.DataFrame = None, scaler: MinMaxScaler = None) -> float:    # Take the last X days of data and scale it    last_x_days = df.iloc[-seq_length:][['open', 'high', 'low', 'close', 'volume']].values    last_x_days_scaled = scaler.transform(last_x_days)    # Reshape this data to be a single sequence and make the prediction    last_x_days_scaled = np.reshape(last_x_days_scaled, (1, seq_length, 5))    # Predict the future close price    future_close_price = model.predict(last_x_days_scaled)    # Create a zero-filled matrix for the inverse transformation    zero_filled_matrix = np.zeros((1, 5))    # Put the predicted value in the 'close' column (index 3)    zero_filled_matrix[0, 3] = np.squeeze(future_close_price)    # Perform the inverse transformation to get the future price on the original scale    return scaler.inverse_transform(zero_filled_matrix)[0, 3]def evaluate_model(x_test: list = []) -> None:    # Evaluate the model    y_pred = model.predict(x_test)    mse = mean_squared_error(y_test, y_pred)    mae = mean_absolute_error(y_test, y_pred)    rmse = np.sqrt(mse)    print(f'Mean Squared Error: {mse}')    print(f'Mean Absolute Error: {mae}')    print(f'Root Mean Squared Error: {rmse}')

咱们需把稳指出的是，在各种函数中增添了“use_cache”变量。此战术意在缩小对 EODHD 应用规律接口的冗余 API 调用，督察愚弄疏导的逐日数据对模子进行同样的从头熟练。激活“use_cache”变量会将数据存储至“data/”目次下的文献里。若数据不存在，则会创建；若已存在，则会加载。当屡次运行剧本时，此方法能显赫提高效用。若要在每次运行时取得新数据，只需在调用函数时禁用“use_cache”选项或清空“data/”目次中的文献，就能得到疏导的收尾。

咫尺干与代码的中枢部分…

if __name__ == '__main__':    # Retrieve 3369 days of S&P 500 data    df = get_ohlc_data(use_cache=True)    print(df)

起原，咱们从 EODHD API  取得 OHLCV 数据，并将其存入名为 “df “的 Pandas DataFrame。OHLCV 默示开盘价、最高价、最廉价、收盘价和成交量，是交往烛炬图数据的圭臬属性。如前所述，咱们启用了缓存以简化历程。咱们还不错遴荐在屏幕上泄漏这些数据。

图片

咱们将一次性先容以下代码块…

    features = get_features(df)    target = get_target(df)    scaler = get_scaler(use_cache=True)    scaled_features = scale_features(scaler, features)    x, y = create_sequences(scaled_features, seq_length)    train_size = int(0.8 * len(x))  # Create a train/test split of 80/20%    x_train, x_test = x[:train_size], x[train_size:]    y_train, y_test = y[:train_size], y[train_size:]    # Re-shape input to fit lstm layer    x_train = np.reshape(x_train, (x_train.shape[0], seq_length, 5))  # 5 features    x_test = np.reshape(x_test, (x_test.shape[0], seq_length, 5))  # 5 features

“features” 包括咱们将用来预计标的（即 “close”）的一系列输入。

“target” 包含一个标的值列表，如 “close“。

“scaler”代表一种用于将数字圭臬化的方法，使它们具有可比性。举例，咱们的数据集运转时的接近值可能是 784，临了可能是 3538。临了一瞥的数字越高，并不料味着预计的真理越大。归一化可确保可比性。

“scaled_features” 是缩放过程的收尾，咱们将用它来熟练东说念主工智能模子。

“x_train” and “x_test” 差别默示咱们将用于熟练和测试东说念主工智能模子的数据集，频繁的作念法是 80/20 分派。这意味着 80% 的交往数据用于熟练，20% 用于测试模子。x “默示这些特征或输入。

“y_train” and “y_test” 的功能访佛，但只包含标的值，如 “close”。

临了，必须对数据进行重塑，以兴奋 LSTM 层的条款。

咱们开采了一种功能，既能对模子进行从头熟练，又能载入之前已熟练好的模子。

model = get_lstm_model(use_cache=True)

图片

从泄漏的图片中不错一窥熟练序列。你会发现，率先， “loss”和 “val_loss” 筹画可能并不完全一致。不外，跟着熟练的进行，这些数据有望趋于一致，这标明熟练取得了进展。

Loss: 这是在熟练数据集上忖度的均方时弊（MSE）。它反应了每个熟练期预计标签和真确标签之间的“cost” 或 “error” 。咱们的标的是通过连气儿的历时来减少这一数字。

Val_loss: 这个均方时弊是在考据数据集上确信的，用于掂量模子在熟练过程中未遭遇的数据上的施展。它是模子泛化到新的未见数据智商的筹画。

查抄测试集的预计收盘价列表，不错使用此代码。

    predicted_x_test_close_prices = get_predicted_x_test_prices(x_test)    print('Predicted close prices:', predicted_x_test_close_prices)

单看这些数据，可能并不至极具有启发性或直不雅。不外，通过画图骨子收盘价与预计收盘价的对比图（请细心，这只占通盘数据集的 20%），咱们不错得到更明晰的图像，如下图所示。

# Plot the actual and predicted close prices for the test data    plot_x_test_actual_vs_predicted(df['close'].tail(len(predicted_x_test_close_prices)).values, predicted_x_test_close_prices)

图片

收尾标明，在测试阶段，该模子在预计收盘价方面施展出色。

咫尺，咱们来望望最令东说念主期待的方面：咱们能确信翌日的预计收盘价吗？

   # Predict the next close price    predicted_next_close =  predict_next_close(df, scaler)    print('Predicted next close price:', predicted_next_close)Predicted next close price: 3536.906685638428

这是一个用于教师办法的基本示例，只是是一个运转。从这里运转，您不错斟酌加入更多的熟练数据，移动超参数，或将模子应用于不同的阛阓和时刻区间。如果您思对模子进行评估，不错将其包括在内。

 # Evaluate the model    evaluate_model(x_test)

在咱们的决策中的输出情况是

Mean Squared Error: 0.00021641664334765608Mean Absolute Error: 0.01157513692221611Root Mean Squared Error: 0.014711106122506767

“平均浅近时弊”（mean_squared_error）和 “平均所有时弊”（mean_absolute_error）函数来自 scikit-learn 的度量模块，差别用于忖度平均浅近时弊（MSE）和平均所有时弊（MAE）。均方根时弊 (RMSE) 是通过对 MSE 取浅近根得出的。

这些筹画为模子的准确性提供了数字化的评估，也为模子的性能进行了定量的分析，而图形化的展示则更有益于直不雅地对比预计值与骨子数值，以及直不雅地相比预计值和骨子值。

三、总结

在本文中我翔实先容了用 Python 和 AI 作念交往预计的历程。起原是多样预计办法，像 Facebook 的 Prophet、SARIMA 模子、多项式总结，还有基于东说念主工智能的轮回神经网罗（RNN），这内部我合计 LSTM 模子最强横。LSTM 模子是种特殊的递归神经网罗，能处理序列预计问题，还科罚了圭臬 RNN 的消成仇梯度爆炸问题，合乎时刻序列预计和当然言语处理这些任务。

接下来，我给群众提供了一个意见考据的准备要领，包括装配Python和PIP、创建时势和文献、配置假造环境以及创建requirements.txt文献。还包括 VSCode的配置文献示例，以及本时势的 GitHub 代码仓库。

而在配置代码的部分，我翔实证实了如何导入必要的库和调用 EODHD API’s，并先容了一系列可重用的函数，这些函数用于取得数据、创建序列、取得特征和标的值、缩放特征、取得LSTM模子、进行预计以及评估模子。此外，咱们还联想了如何使用缓存来减少无须要的API调用和数据同样加载。

临了，本文展示了如何使用这些函数来熟练和测试LSTM模子，并展示了如何预计下一个交昔日的收盘价。通过相比骨子收盘价和预计收盘价的图表，以及忖度均方时弊（MSE）、均方根时弊（RMSE）和均所有时弊（MAE）等筹画，来评估模子的性能。轻便总结起来即是底下6句话：

LSTM模子在交往预计中的成果优于其他方法，因为它省略更好地处理长久依赖问题。

使用缓存机制不错提高数据处理的效用，幸免同样的API调用和模子熟练。

通过可视化骨子和预计的收盘价，以及忖度接洽的时弊筹画，不错直不雅地评估模子的预计准确性。

模子的熟练和测试应该使用不同的数据集，以确保模子的泛化智商。

移动超参数和使用极端的熟练数据不错进一步提高模子的性能。

模子的预计收尾不错行动交往决策的参考，但应严慎使用，因为预计并不老是准确的。

本文内容只是是本领探讨和学习，并不组成任何投资忽视。

转发请注明原作家和出处体育游戏app平台。

本站仅提供存储做事，通盘内容均由用户发布，如发现存害或侵权内容，请点击举报。