基於LSTM的股票價格預測模型【附源碼】

導語

本文介紹了LSTM的相關內容和在股票價格預測上的應用。

LSTM的股票價格預測

LSTM(Long Short Term Memory)是一種 特殊的RNN類型，同其他的RNNs相比可以更加方便地學習長期依賴關係，因此有很多人試圖將其應用於 時間序列的預測問題 上。

匯豐銀行全球資產管理開發副總裁Jakob Aungiers在他的個人網站上比較詳細地介紹了LSTM在Time Series Prediction上的運用（https://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-for-Time-Series-Prediction） ，本文以這篇文章的代碼為基礎，以Bigquant為平臺，介紹一下”LSTM-for-Time-Series-Prediction“的流程。

Keras是實現LSTM最方便的python庫（Bigquant量化平臺已經裝好了，不用自己安裝了）

from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.models import Sequential
from keras import optimizers

 載入轉換數據

例如希望根據前seq_len天的收盤價預測第二天的收盤價，那麼可以將data轉換為(len(data)-seq_len)(seq_len+1)的數組，由於LSTM神經網路接受的input為3維數組，

因此最後可將input+output轉化為(len(data)-seq_len)(seq_len+1)*1的數組

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])
        ……
        # 規範化之後
        x_train = train[:, :-1]
        y_train = train[:, -1]
        x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
        # 測試數據同樣處理

構建LSTM神經網路

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)

此神經網路共三層，第一層為LSTM層，輸入數據維度是1，輸出數據維度為seq_len；第二層也為LSTM層，輸入和輸出維度均為seq_len層；第三層為Dense層，輸入數據維度是seq_len，輸出數據維度為1，最終將input與output對應起來。

compile：編譯用來配置模型的學習過程，可選參數有loss,optimizer等。模型在使用前必須編譯，否則在調用fit或evaluate時會拋出異常。

loss為損失函數，可用mse,mae,binary_crossentropy

optimizers為優化器，即優化參數的演算法，可供選擇為SGD（隨機梯度下降法），RMSprop（處理遞歸神經網路時的一個良好選擇），Adagrad等（具體參見http://keras-cn.readthedocs.io/en/latest/ ，網頁提供Keras相關函數的詳細介紹）。

model.fit(X_train,y_train,batch_size=conf.batch,nb_epoch=conf.epochs,validation_split=conf.validation_split

fit為訓練函數，batch_size：整數，訓練時一個batch的樣本會被計算一次梯度下降，使目標函數優化一步；nb_epoch：迭代次數；validation_split：0~1之間的浮點數，用來指定訓練集的一定比例數據作為驗證集

predicted = model.predict(data)
predicted = np.reshape(predicted, (predicted.size,))

模型在test_data集上的預測，根據前seq_len長度預測下一時間的close。

另外，在此基礎上，若希望預測prediction_len長度的close，則可在第一個predict_close的基礎上，以此predict_close和前seq_len-1個true_close為input，預測下一個close，以此類推，可預測一定長度甚至全部長度的時間序列（predict_sequences_multiple，predict_sequence_full）

回測

（以predict_sequences_multiple為例）

思路是這樣：看prediction_len長度內的漲跌，若prediction_len最後一天收盤價大於第一天的收盤價，則下買單；反之，不做單或者平倉

效果不是特別好，可能和我沒有優化參數有很大關係，希望能拋磚引玉，完整策略代碼如下，歡迎指正和討論： 

補充：如果運行出錯，請檢查M.trade模塊是否是最新版本。

附件：基於LSTM的股票價格預測模型實例（文末策略源碼）

參考資料：

• LSTM策略主體參考http://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-for-Time-Series-Prediction，
  • 在一些地方做了一些更改，使之能在bigquant平臺上使用以及能夠自己調整更多參數
• 對keras有興趣者可參考http://keras-cn.readthedocs.io/en/latest/，這裡有對keras每個函數的詳細介紹

原碼鏈接含源碼：《基於LSTM的股票價格預測模型》

From：BigQuant量化知識庫