【转载+评论】Keras深度学习LSTM模型 预测黄金主力收盘价

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

评论：直接预测价格很容易收敛至前一时刻的价格，即用t-1时刻的价格来预测t时刻价格，不过本文可作为keras入门参考


原文地址：https://www.joinquant.com/view/community/detail/2e996d21c95a409ba23a651085ab9f61
1 数据源：黄金主力数据 来源于JQData

2 数据清洗

3 使用黄金主力数据 进⾏预测的2个实验

数据集：70%用做训练集 训练模型 ；30%测试集。

模型：Keras框架， 用LSTM模型对收盘价进行预测
循环神经⽹网络，RNN(Recurrent Neural Network)中的LSTM(Long Short-Term Memory)

实验结果：是测试集的结果。test为测试集的真实收盘价，pred为模型预测的收盘价

实验1：

使用历史前5个时刻的收盘价

预测当前时刻的收盘价
每组输入包括5个step，每个step对应⼀一收盘价，输出⼀一维，即 [None, 5, 1] => [None, 1]

from keras.layers import Input, Dense, LSTM
from keras.models import Model
output_dim = 1
batch_size = 256
epochs = 10
seq_len = 5
hidden_size = 128
X_train = np.array([data_train[i : i + seq_len, 0] for i in range(data_train.shape[0] - seq_len)])[:, :, np.newaxis]
y_train = np.array([data_train[i + seq_len, 0] for i in range(data_train.shape[0]- seq_len)])
X_test = np.array([data_test[i : i + seq_len, 0] for i in range(data_test.shape[0]- seq_len)])[:, :, np.newaxis]
y_test = np.array([data_test[i + seq_len, 0] for i in range(data_test.shape[0] - seq_len)])
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)
X = Input(shape=[X_train.shape[1], X_train.shape[2],])
h = LSTM(hidden_size, activation='relu')(X)
Y = Dense(output_dim, activation='sigmoid')(h)
model = Model(X, Y)
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, shuffle=False)
y_pred = model.predict(X_test)
print('MSE Train:', model.evaluate(X_train, y_train, batch_size=batch_size))
print('MSE Test:', model.evaluate(X_test, y_test, batch_size=batch_size))
plt.plot(y_test, label='test')
plt.plot(y_pred, label='pred')
plt.legend()
plt.show()

实验结果：是测试集的结果。test为测试集的真实收盘价，pred为模型预测的收盘价


实验2：

使⽤历史前5个时刻的 open close high low volume money
预测当前时刻的收盘价，
即 [None, 5, 6] => [None, 1]

from keras.layers import Input, Dense, LSTM
from keras.models import Model
output_dim = 1
batch_size = 256
epochs = 10
seq_len = 5
hidden_size = 128

X_train = np.array([data_train[i : i + seq_len, :] for i in range(data_train.shape[0] - seq_len)])
y_train = np.array([data_train[i + seq_len, 0] for i in range(data_train.shape[0]- seq_len)])
X_test = np.array([data_test[i : i + seq_len, :] for i in range(data_test.shape[0]- seq_len)])
y_test = np.array([data_test[i + seq_len, 0] for i in range(data_test.shape[0] - seq_len)])

print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)


X = Input(shape=[X_train.shape[1], X_train.shape[2],])
h = LSTM(hidden_size, activation='relu')(X)
Y = Dense(output_dim, activation='sigmoid')(h)
model = Model(X, Y)


model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, shuffle=False)
y_pred = model.predict(X_test)
print('MSE Train:', model.evaluate(X_train, y_train, batch_size=batch_size))
print('MSE Test:', model.evaluate(X_test, y_test, batch_size=batch_size))
plt.plot(y_test, label='test')
plt.plot(y_pred, label='pred')
plt.legend()
plt.show()

实验结果：是测试集的结果。test为测试集的真实收盘价，pred为模型预测的收盘价

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

这个事情我之前也做过，感觉不靠谱。。。。
我之前做的情况是，节选一段区间，放大来看，预测的结果就是滞后TRUE LABEL的情况.

类似于pd.Series.shift(x)的样子。

然后可能还会把你的波动给降低，估计和trend和seasonality的判定有关。

可解释性不是特别高。

我感觉可以加入汇率，利率等宏观因子。但是这样一搞，feature和label的频率就不对了。

而且他这个LSTM_INPUT写的很糟糕，还不如看GOOGLE官网如下/。

https://www.tensorflow.org/tutorials/structured_data/time_series