使用keras的LSTM进行预测----实战练习
代码
import numpy as np from keras.models import Sequential from keras.layers import Dense from keras.layers import LSTMimport marksix_1 import talib as talt = marksix_1.Marksix() lt.load_data(period=500)# 指标序列 m = 2 series = lt.adapter(loc='0000001', zb_name='mod', args=(m, lt.get_mod_list(m)), tf_n=0)# 实时线 close = np.cumsum(series).astype(float)# 布林线 timeperiod = 5 upper, middle, lower = ta.BBANDS(close, timeperiod=timeperiod, nbdevup=2, nbdevdn=2, matype=0)# 趋势 qushi1 = np.where(close-middle < 0, 0, 1)# 实时线在均线上、下方 qushi2 = np.where(middle[1:] - middle[:-1] < 0, 0, 1) # 均线上、下行(长度少了1)# 标签转化为0,1 y = np.where(series==-1, 0, 1)# 构造特征(注意,已经归一化,全部为非负数) f = upper-lower f = f[timeperiod:] # 去掉了前面timeperiod个nan数据!!! f = (f - f.min()) / (f.max() - f.min()) # 归一化 y = y[timeperiod:] qushi1 = qushi1[timeperiod:] qushi2 = qushi2[timeperiod-1:] features = np.column_stack([y, qushi1, qushi2, f]) # 特征:[标签、趋势1、趋势2、布林宽度]# data_len = len(series) time_steps = 3# 将数据转化为[样本数, 时间步数, 特征数]的形式 X = [features[i:i+time_steps] for i in range(data_len-time_steps-timeperiod)] # [samples, time steps * features] X = np.reshape(X, (data_len - time_steps-timeperiod, time_steps, -1)) # [samples, time steps, features]# 标签长度一致 y = y[time_steps:]# one-hot编码 y = np.eye(2)[y]# 划分训练数据、测试数据 train_X, test_X = X[:-20], X[-20:] train_y, test_y = y[:-20], y[-20:]# ================================= model = Sequential() model.add(LSTM(64, input_shape=(X.shape[1], X.shape[2]))) model.add(Dense(y.shape[1], activation='softmax')) # 输出各类的概率(softmax) model.compile(loss='categorical_crossentropy', # 单标签,多分类(categorical_crossentropy)optimizer='adam', metrics=['accuracy'])model.fit(train_X, train_y, epochs=500, batch_size=1, verbose=2)#检查模型在测试集上的表现是否良好 test_loss, test_acc = model.evaluate(test_X, test_y) print('test_acc:', test_acc)
效果图
结论
只测试了mod 2的情况,效果不好.
训练数据精度可以达到三分之二左右,测试数据的精度只有四分之一。头脑风暴,几乎可以反其道而行之!可能不失为可行之策。
下一步:
1.画出后20个数据k线图,看是否是震荡区间,亦或是趋势区间
2.换别的指标看看
转载于:https://www.cnblogs.com/hhh5460/p/10217000.html
使用keras的LSTM进行预测----实战练习相关推荐
- Kesci: Keras 实现 LSTM——时间序列预测
博主之前参与的一个科研项目是用 LSTM 结合 Attention 机制依据作物生长期内气象环境因素预测作物产量.本篇博客将介绍如何用 keras 深度学习的框架搭建 LSTM 模型对时间序列做预测. ...
- Keras 实现 LSTM时间序列预测
向AI转型的程序员都关注了这个号
- python时间序列如何拟合曲线_【Python】keras使用LSTM拟合曲线
keras生成的网络结构如下图: 代码如下: from sklearn.preprocessing import MinMaxScaler from keras.models import Seque ...
- Python时间序列模型推理预测实战:时序推理数据预处理(特征生成、lstm输入结构组织)、模型加载、模型预测结果保存、条件判断模型循环运行
Python时间序列模型推理预测实战:时序推理数据预处理(特征生成.lstm输入结构组织).模型加载.模型预测结果保存.条件判断模型循环运行 目录
- bagging和时间序列预测_时间序列的LSTM模型预测——基于Keras
一.问题背景 现实生活中,在一系列时间点上观测数据是司空见惯的活动,在农业.商业.气象军事和医疗等研究领域都包含大量的时间序列数据.时间序列的预测指的是基于序列的历史数据,以及可能对结果产生影 ...
- 基于Keras的LSTM多变量时间序列预测(北京PM2.5数据集pollution.csv)
基于Keras的LSTM多变量时间序列预测 传统的线性模型难以解决多变量或多输入问题,而神经网络如LSTM则擅长于处理多个变量的问题,该特性使 ...
- LSTM神经网络实现对股市收盘价格的预测实战(python实现 附源码 超详细)
源码或数据集请点赞关注收藏后评论区留言或者私信博主要 由于独特的设计结构 LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件. LSTM是一种含有LSTM区块(blocks)或其他的一种类神 ...
- DL之LSTM:基于《wonderland爱丽丝梦游仙境记》小说数据集利用LSTM算法(基于keras)对word实现预测
DL之LSTM:基于<wonderland爱丽丝梦游仙境记>小说数据集利用LSTM算法(基于keras)对word实现预测 目录 基于<wonderland爱丽丝梦游仙境记>小 ...
- tf.keras 11: 时间序列预测之LSTM天气预测
本教程介绍了使用递归神经网络(RNN)进行时间序列预测的流程.包括两个部分:首先,预测单变量时间序列,然后预测多变量时间序列. 文章目录 1. 数据集介绍 2. 单变量单步输出预测 2.1 数据标准化 ...
最新文章
- Python分析离散心率信号(下)
- win7下安装dynamips完全版
- 在asp.net中控制回车键
- hdu 1251 统计难题(字典树)
- [C++基础]034_C++模板编程里的主版本模板类、全特化、偏特化(C++ Type Traits)
- Slog55_lua面向对象之lua类
- 首次击败美国!2019《财富》世界500强公布:129家中国公司上榜
- 对象数组题目 Student类
- 长沙理工大学c语言编程题,长沙理工大学2014年上期期末c语言编程题库.doc
- linux系统 安装qq教程视频,LinuxQQ教程 LumaQQ的安装和使用详细介绍
- 专业心率监测器克服了心电噪声和电源的挑战---凯利讯半导体
- 收集45个实用的免费LOGO在线制作网站
- java 三个字母组合_每天AC系列(三):电话号码的字母组合
- 超融合和服务器关系_一文读懂超融合服务器
- Study13(从小白到大佬)
- 关于git提交报错Please tell me who you are.
- 名悦集团分享纯电动汽车保养的几个小秘诀
- 怎么学好计算机专业?
- Mysql数据库优化的目的和从那放几个方面进行优化
- adb对夜神模拟器查看游戏的log