绘制 Keras 股票市场预测神经网络的结果

Question

我最近尝试完成一个神经网络来预测股票市场上个股价格的波动，利用Keras作为神经网络的框架和Quandl作为检索历史股票价格的数据库；该程序的代码是在Google Colaboratory集成开发环境中完成的，程序显示如下：

import tensorflow as tf
import keras
import numpy as np
import quandl
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import pandas as pd

df = quandl.get("WIKI/FB", api_key = '_msxC6xspj2ddytz7-4u')

print(df)

df = df.reset_index()
df = df[['Adj. Close', 'Date']]

forecast_out = 1
df['Prediction'] = df[['Adj. Close']].shift(-(forecast_out))

X = np.array(df.drop(['Prediction'], 1))
X = X[:-forecast_out]
y = np.array(df['Prediction'])
y = y[:-forecast_out]

x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2) 
model = keras.models.Sequential()
model.add(keras.layers.Dense(units = 64, activation = 'relu'))
model.add(keras.layers.Dense(units = 1, activation = 'linear'))

model.compile(loss='mean_absolute_error',
              optimizer='adam',
              metrics=['accuracy'])

History = model.fit(x_train, y_train, epochs=8)

prediction = model.predict(x_test)

我的主要询问是关于上述数据的图形机制的存在，允许人们在与该特定数据集的预测相同的图形上显示 x_test 模块；由于我在 Python 这个应用程序中的经验不多，我尝试通过以下命令绘制所提供的数据集：

plt.plot(x_test)
plt.plot(prediction)

然而，这产生了下图：

该程序的主要目的是生成一个系统，该系统能够预测特定时间段内特定股票的任何一组价格；因此，有必要产生与文章最后部分显示的结果类似的结果，如下所示：

https://towardsdatascience.com/neural-networks-to-predict-the-market-c4861b649371

与显示的图表类似的图表可以更透明地分析程序的功效；我的询问是针对生成与上述文章中显示的图表类似的图表的努力。是否还有一种方法可以生成这样的图表或允许观察这样的具体结果？感谢您的协助。

Answer 1

需要注意的重要一点是，您的训练数据和测试数据必须位于 x 轴的不同部分。

例如，假设训练集包含 100 个观察值，测试集包含 15 个观察值。测试集是模型用于预测的时间序列的后半部分（即使用训练集构建的模型）。

考虑使用 LSTM 预测波动的示例 weekly hotel cancellations。

训练和验证预测是使用 MinMaxScaler 生成的，以允许神经网络正确解释数据。据我所知，您没有在您的示例中执行此步骤。您应该这样做，否则您的结果很可能是错误的 - 您的数据不是通用的，因此 LSTM 模型无法正确解释它。

# Generate predictions
trainpred = model.predict(X_train)
valpred = model.predict(X_val)

In [30]:

trainpred

Out[30]:

array([[0.32363528],
       [0.3715328 ],
       [0.46051228],
       [0.35137814],
       [0.38220662],
       [0.41239697],
       [0.3573438 ],
       [0.43657327],
       [0.47494155],
       [0.467317  ],
       [0.49233937],
       [0.49879026],
       [0.39996487],
       [0.38200712],
       [0.3309482 ],
       [0.21176702],
       [0.22578238],
       [0.18523258],
       [0.23222469],
       [0.26659006],
       [0.2368085 ],
       [0.22137557],
       [0.28356454],
       [0.16753006],
       [0.16966385],
       [0.22060908],
       [0.1916717 ],
       [0.2181809 ],
       [0.21772115],
       [0.24777801],
       [0.3288507 ],
       [0.30944437],
       [0.33784014],
       [0.37927932],
       [0.31557906],
       [0.43595707],
       [0.3505273 ],
       [0.4064384 ],
       [0.48314226],
       [0.41506904],
       [0.48799258],
       [0.4533432 ],
       [0.45297146],
       [0.46697432],
       [0.41320056],
       [0.45331544],
       [0.48461175],
       [0.50513804],
       [0.50340337],
       [0.44235045],
       [0.48495632],
       [0.32804203],
       [0.38383847],
       [0.3502031 ],
       [0.34179717],
       [0.37928385],
       [0.3852548 ],
       [0.3978842 ],
       [0.41324353],
       [0.42388642],
       [0.43424374],
       [0.4359951 ],
       [0.49112016],
       [0.49098223],
       [0.50581044],
       [0.5686604 ],
       [0.48814237],
       [0.5679423 ],
       [0.519874  ],
       [0.42899352],
       [0.4314267 ],
       [0.3878218 ],
       [0.3585053 ],
       [0.31897143]], dtype=float32)

In [31]:

valpred

Out[31]:

array([[0.374565  ],
       [0.311441  ],
       [0.37602562],
       [0.36187553],
       [0.35613692],
       [0.399751  ],
       [0.40736055],
       [0.41798282],
       [0.36257237],
       [0.4636013 ],
       [0.47177172],
       [0.45880812],
       [0.5725181 ],
       [0.5696718 ]], dtype=float32)

预测值转换回正常值：

# Convert predictions back to normal values
trainpred = scaler.inverse_transform(trainpred)
Y_train = scaler.inverse_transform([Y_train])
valpred = scaler.inverse_transform(valpred)
Y_val = scaler.inverse_transform([Y_val])
predictions = valpred

然后绘制预测：


In [34]:

# Train predictions
trainpredPlot = np.empty_like(df)
trainpredPlot[:, :] = np.nan
trainpredPlot[previous:len(trainpred)+previous, :] = trainpred

In [35]:

# Validation predictions
valpredPlot = np.empty_like(df)
valpredPlot[:, :] = np.nan
valpredPlot[len(trainpred)+(previous*2)+1:len(df)-1, :] = valpred

In [36]:

# Plot all predictions
inversetransform, =plt.plot(scaler.inverse_transform(df))
trainpred, =plt.plot(trainpredPlot)
valpred, =plt.plot(valpredPlot)
plt.xlabel('Number of weeks')
plt.ylabel('Cancellations')
plt.title("Predicted vs. Actual Cancellations Per Week")
plt.show()

图表现在显示如下：

总结两点：

确保在绘制真实数据时 - 训练和测试预测不重叠。这是错误的，因为训练和测试预测指的是两组不同的预测。
在输入 LSTM 之前缩放您的数据 - 否则神经网络将不知道如何解释此类数据，任何结果都将非常肤浅。

绘制 Keras 股票市场预测神经网络的结果

Graphing The Results Of A Keras Stock Market Predictive Neural Network

python

matplotlib

keras

finance

quandl