笔记：基于LSTM（Long Short-Term Memory）的股票预测

网络结构

采用LSTM*3 + Full-connected为网络。

每次输入16天数据，输出接下来1天的收盘价格。

训练时使用Keras作为框架，数据均已归一化。

训练过程

以600001（浦发银行）近14年数据为训练集$A$和验证集$B$。

使用Geforce GTX 1650显卡、CUDA 10.1环境，在$A$与$AB$上轮流训练，总用时约 20 分钟。

训练结果

经过若干轮训练，训练集上的Loss稳定在$0.0011$左右，测试集上的Loss稳定在$0.0014$左右，符合精度要求。

在随机抽取的两支股票中获取近14年数据，抽样验证，结果如下：

Figure 1:000998（隆平高科）

Figure 2: 600435（北方导航）

代码

import os
from typing import List, Any
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '1'
from numpy.core._multiarray_umath import ndarray
from tensorflow.keras.layers import Dense
import csv
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.python.keras import Sequential
from tensorflow.python.keras.layers import LSTM, Dropout
def train(m: Sequential):
    for i in range(0, 5):
        m.fit(Train_X, Train_Y, batch_size=BATCH_SIZE, epochs=EPOCHES,
                        validation_split=1 / 3)
        m.fit(Train_X, Train_Y, batch_size=BATCH_SIZE, epochs=EPOCHES)
    m.save_weights("lstm.mw")
def validate(m: Sequential, num=50):
    plt.title("Validate Result")
    plt.plot(range(1, num + 1), m.predict(Train_X[0:num]).flatten(order='C'), 'blue',
             label='Prediction')
    plt.plot(range(1, num + 1), Train_Y[0:num].flatten(order='C'), 'red', label='Real Value')
    plt.legend()
    plt.show()
def normalization(arr: ndarray):
    return (arr - arr.min()) / (arr.max() - arr.min())
BATCH_SIZE = 5
TIME_STEP = 16
DATA_FRAME_NUM = 4
OUTPUT_NUM = 1
EPOCHES = 5
Train_X: ndarray = np.empty([1, 3, 2], dtype=float)
Train_Y = np.empty([], dtype=float)
with open('history_A_stock_k_test_data.csv', 'r') as f:
    data_list: List[Any] = list(csv.reader(f))
    Train_X = np.empty([0, TIME_STEP, DATA_FRAME_NUM], dtype=float)
    Train_Y = np.empty([0, OUTPUT_NUM], dtype=float)
    time_step_array: ndarray = np.empty([1, TIME_STEP, DATA_FRAME_NUM], dtype=float)
    for i in range(1, len(data_list)):
        time_step_array[0][i % TIME_STEP - 1] = data_list[i][1:5]
        if i < TIME_STEP:
            continue
        if i % TIME_STEP == 0:
            Train_X = np.append(Train_X, time_step_array, axis=0)
        elif i % TIME_STEP == 1:
            Train_Y = np.append(Train_Y,
                                np.expand_dims(np.asarray(data_list[i][4:5], dtype=float), axis=0),
                                axis=0)
Train_X = normalization(Train_X)
Train_Y = normalization(Train_Y)
model: Sequential = Sequential()
model.add(LSTM(128, return_sequences=True,
               input_shape=(TIME_STEP, DATA_FRAME_NUM)))
model.add(LSTM(128, return_sequences=True))
model.add(LSTM(128))
model.add(Dropout(0.2))
model.add(Dense(OUTPUT_NUM, activation="linear"))
model.compile(loss='mse', optimizer='rmsprop')
model.load_weights("lstm.mw")
# 训练他妈的股票预测模型
train(model)

反思

经过又一次将近 30 分钟的训练，达到了如下精度：

Figure 3: 300059（东方财富）

事实证明，在一定误差范围、一定时期内，股票的走向或许是可预测的。

当然这个模型非常烂，没有考虑外界因素（政策变化、市场走向等等），并且只是简单运用了LSTM的预测能力。

PS：就我所知，股票预测是很多大学人工智能课程的入门教学示范...

这样的模型有很多人做过，我不是第一个，也肯定不是最后一个。

尽管我不懂炒股，但就我浅薄的经济学知识来看，股票真正难搞的不是走向，而是常常出现的、猝不及防的黑天鹅事件。而这一点，在相当程度内，都是机器学习无法预知的。

真指望用这个炒股还是算了...

0202年了，不会还有人炒股吧 不会吧不会吧