利用深度学习进行股票价格预测

免责声明：这篇文章记录我在做这个mini site project时候的一些知识点，从最终预测的结果来看，效果不太理想。投资有风险，入市需谨慎。

本文中的代码多数是参考： https://github.com/olof98johansson/StockPrediction.git

股票数据获取和处理

获取股票数据

我们这里借助 pandas_datareader 这个库来获取目标股票的信息。比如可以通过如下的代码获取Telsa股票信息：

import pandas_datareader.data as web
df = web.DataReader("TSLA", data_source="yahoo")

数据格式如下：

Date	High	Low	Open	Close	Volume	Adj Close
2022-02-08	926.23	894.80	905.53	922.00	16909700.0	922.00
2022-02-09	946.27	920.00	935.00	932.00	17419800.0	932.00
2022-02-10	943.81	896.70	908.40	904.55	22042300.0	904.55
2022-02-11	915.96	850.70	909.63	860.00	26492700.0	860.00

下面对上述获取的股票信息做一些名词解释：

• High : 当日最高成交价
• Low : 当日最低成交价
• Open : 当日开盘价格
• Close : 当日收盘价格
• Volume : 当日资金总量
• Adj Close : 当日股票收盘价调整后的价格。什么是Adj Close

除了从Yahoo Finance上获取的股票基础信息之外，我们这里还引入一些金融行业关于股票的一些技术指标：

技术指标

• ROC ：股票变动率
• william_r: 威廉指標
• Money flow index : 资金流量指标
• Ulcer index : 溃疡指数
• Average true range:真实波动幅度均值
• Simple moving average : 移动平均线
• Exponential moving average : 指数移动平均值

以上就是股票市场里面金融分析师会用的一些技术指标了。这些指标都是可以根据股票价格计算出来的，公式以及其含义也比较简单，不多阐述。

数据预处理

股票数据属于时间序列数据，时间序列数据一般会有周期性，这里我们可以利用statsmodels API，对股票数据进行分析，这里以TSLA为例：

从图中的分析结果来看，TESLA股票的确有着显著的周期性。所以这里我们需要处理掉周期性对股票预测时候的影响。这里我们采用差分的方式对股票时间序列数据中的周期性进行去除，以下是去除周期性后的股票价格：

关于如何去除时间序列数据中包含的趋势和周期性，可以参照这篇文章remove-trends-seasonality-difference-transform-python

数据部分处理完成之后，我们就可以训练模型了。

LSTM

首先我们使用经典的序列数据预测模型LSTM。全称 Long Short-Term Memory，中文名称为长短期记忆。

LSTM是一种特殊的RNN网络，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸的问题，相比普通的RNN，LSTM能够在长序列中有更好的表现。

而LSTM的内部是通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息。

关于如何理解LSTM，可以参考这篇文章：https://colah.github.io/posts/2015-08-Understanding-LSTMs/

以下是利用LSTM对TESLA股价的预测结果

Transformer

我们还可以用在语音和图片领域都表现出色的Transformer模型来对股票价格进行预测

以下是利用Transformer对TESLA股票价格预测结果。

整体预测的准确性上和LSTM差不太多。Transformer小有优势：

Model	RMSE
transformer	56.239713918089585
lstm	56.708656591988834

模拟交易

有了预测模型之后，我们可以制定一些简单的交易策略了。这里我们参照 getting-rich-quick-with-machine-learning-and-stock-market-predictions这篇文章里面的交易策略。

策略也很简单，就是那预测第二天的股票价格和当天的收盘价做比较，高了就买，底了就卖。然后计算测试数据的投资回报率。

下图是测试的结果

code: stock_prediction