Tensorflow神經網路預測股票均價

Kervin_Chan發表於2018-05-20
神經網路

一、簡介

1. 目標：

已知股票的「開盤價」和「收盤價」，利用神經網路來預測「收盤均價」

2. 資料來源：

日期（data）：[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.]
開盤價（beginPrice）：[2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40]
收盤價（endPrice）：[2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]

3. 預測方法

（1）背景知識介紹

神經網路介紹：https://blog.csdn.net/leiting_imecas/article/details/60463897
激勵函式relu()介紹：https://www.cnblogs.com/neopenx/p/4453161.html

（2）案例分析

  • 原始資料：data、endPrice
  • 輸入層：data／1.4 —> x:dateNormal、 endPrice / 3000 —> y:priceNormal
  • 隱藏層：wb1(15x10) = x(15x1) * w1(1x10) + b1(1x10)
    layer1 = tf.nn.relu(wb1)
  • 輸出層：wb2(15x1) = layer1(15x10) * w2(10x1) + b2(15x1)
    layer2 = tf.nn.relu(wb2)
  • 梯度下降： 真實值y和計算值layer2的標準差用進行梯度下降，每次下降0.1；
  • 預測結果：pred = sess.run(layer2,feed_dict={x:dateNormal})
    predPrice = pred*3000

二、輸入資料

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

date = np.linspace(1,15,15)
# 開始是1，結束是15，有15個數的等差數列
print(date)

beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
# 開盤價
endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
)
# 收盤價
複製程式碼

結果：

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15.]
複製程式碼

函式解析：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

  • 解析：
    該函式返回一組具有相同間隔的資料/取樣值，資料的間隔通過計算獲得（常用與來建立等差數列）
  • 引數：
    start：序列的起始值
    stop：序列的終止值，除非endpoint被設定為False。當endpoint為True時，資料的間隔：(stop-start)/num。當endpoint為False時，資料的間隔：(stop-start)/(num+1)。
    num：取樣的數目，預設值為50
    endpoint：為真則stop為最後一個取樣值，預設為真。
    retstep：為真則返回(samples, step)，step為不同取樣值的間距
    dtype：輸出序列的型別。
    返回：
    samples：n維的陣列
    step：取樣值的間距

三、繪製圖表

plt.figure()
for i in range(0,15):
    dateOne = np.zeros([2])
    # 建一個兩列值為0的矩陣
    dateOne[0] = i;
    # 第一列的 0-14
    dateOne[1] = i;
    # 第二列的 0-14
    priceOne = np.zeros([2])
    # 建一個兩列值為0的矩陣
    priceOne[0] = beginPrice[i]
    # 把開盤價輸入第一列
    priceOne[1] = endPrice[i]
    # 把收盤價輸入第二列
    if endPrice[i] > beginPrice[i]:
        # 如果收盤價 大於 開盤價
        plt.plot(dateOne,priceOne,'r',lw=8)
        # 條形是紅色，寬度為8
    else:
        plt.plot(dateOne,priceOne,'g',lw=8)
        # 條形是綠色，寬度為8
複製程式碼

結果：

Tensorflow神經網路預測股票均價

函式解析：

1、range(start,stop,step)

  • 只給一個引數 s,表示 從0到s
    例如：range(5)
    結果：[0,1,2,3,4]
  • 兩個引數,s,e,表示從s到e
    例如：range(5,10)
    結果：5,6,7,8,9
  • 三個引數 s,e,i 表示從s到e，間隔i取數
    例如：range(0,10,2)
    結果：[0,2,4,6,8]

四、輸入層 input layer

dateNormal = np.zeros([15,1])
# 建立一個15行，1列的矩陣
priceNormal = np.zeros([15,1])
for i in range(0,15):
    dateNormal[i,0] = i/14.0;
    # 日期的值，最大值為14
    priceNormal[i,0] = endPrice[i]/3000.0;
    # 價格的值，最大值為3000
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])
複製程式碼

函式解析：

tf.placeholder(dtype, shape=None, name=None)

  • 解析：此函式可以理解為形參，用於定義過程，在執行的時候再賦具體的值
  • 引數：
    dtype：資料型別。常用的是tf.float32,tf.float64等數值型別
    shape：資料形狀。預設是None，就是一維值，也可以是多維，比如[2,3], [None, 3]表示列是3，行不定
    name：名稱。
  • 返回：
    Tensor 型別

五、隱藏層（hidden layer）

w1 = tf.Variable(tf.random_uniform([1,10],0,1))
# 建立一個1行10列的矩陣，最小值為0，最大值為1
b1 = tf.Variable(tf.zeros([1,10]))
# 建立一個1行10列的矩陣，值都為0
wb1 = tf.matmul(x,w1)+b1
# wb1 = x * w1 + b1
layer1 = tf.nn.relu(wb1) 
# 激勵函式的型別：https://tensorflow.google.cn/api_guides/python/nn#Activation_Functions
# 激勵函式的作用：https://zhuanlan.zhihu.com/p/25279356
複製程式碼

六、輸出層（output layer）

w2 = tf.Variable(tf.random_uniform([10,1],0,1))
b2 = tf.Variable(tf.zeros([15,1]))
wb2 = tf.matmul(layer1,w2)+b2
# wb2 = wb1 * w2 + b2
layer2 = tf.nn.relu(wb2)

loss = tf.reduce_mean(tf.square(y-layer2))
# 計算真實值y和計算值layer2的標準差
# 方差 s^2=[(x1-x)^2+(x2-x)^2+......(xn-x)^2]/(n) （x為平均數）
# 標準差=方差的算術平方根
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 每次梯度下降0.1，目的是縮小真實值y和計算值layer2的差值
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(0,10000):
        sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})
        # feed_dict是一個字典，在字典中需要給出每一個用到的佔位符的取值，每次迭代選取的資料只會擁有佔位符這一個結點。
        # 訓練出w1、w2、b1、b2，但是還需要檢測是否有效
    pred = sess.run(layer2,feed_dict={x:dateNormal})
    # 訓練完的預測結果值
    predPrice = np.zeros([15,1])
    for i in range(0,15):
        predPrice[i,0]=(pred*3000)[i,0]
        # pred需要乘以3000是因為前面 priceNormal[i,0] = endPrice[i]/3000.0;
    plt.plot(date,predPrice,'b',lw=1)
plt.show()
複製程式碼

結果：

Tensorflow神經網路預測股票均價

函式解析：

tf.reduce_mean(input_tensor,axis=None,keepdims=None,name=None,reduction_indices=None,keep_dims=None)

  • 解析：計算張量維度上元素的平均值。
  • 引數：
    input_tensor：張量減少。應該有數字型別。
    axis：要減小的尺寸。如果None（預設）縮小所有尺寸。必須在範圍內 [ rank(input_tensor), rank(input_tensor) )。
    keepdims：如果為true，則保留長度為1的縮小尺寸。
    name：操作的名稱（可選）。
    reduction_indices：軸的舊（已棄用）名稱。
    keep_dims：已過時的別名keepdims。

相關文章