代碼

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM

import marksix_1
import talib as ta


lt = marksix_1.Marksix()
lt.load_data(period=500)

# 指標序列
m = 2
series = lt.adapter(loc='0000001', zb_name='mod', args=(m, lt.get_mod_list(m)), tf_n=0)

# 實時線
close = np.cumsum(series).astype(float)

# 布林線
timeperiod = 5
upper, middle, lower = ta.BBANDS(close, timeperiod=timeperiod, nbdevup=2, nbdevdn=2, matype=0)

# 趨勢
qushi1 = np.where(close-middle < 0, 0, 1)# 實時線在均線上、下方
qushi2 = np.where(middle[1:] - middle[:-1] < 0, 0, 1) # 均線上、下行（長度少了1）

# 標簽轉化為0,1
y = np.where(series==-1, 0, 1)

# 構造特征（注意，已經歸一化，全部為非負數）
f = upper-lower
f = f[timeperiod:] # 去掉了前面timeperiod個nan數據！！！
f = (f - f.min()) / (f.max() - f.min()) # 歸一化
y = y[timeperiod:]
qushi1 = qushi1[timeperiod:]
qushi2 = qushi2[timeperiod-1:]
features = np.column_stack([y, qushi1, qushi2, f]) # 特征:[標簽、趨勢1、趨勢2、布林寬度]

# 
data_len = len(series)
time_steps = 3

# 將數據轉化為[樣本數, 時間步數, 特征數]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]

# 標簽長度一致
y = y[time_steps:]

# one-hot編碼
y = np.eye(2)[y]

# 劃分訓練數據、測試數據
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')) # 輸出各類的概率(softmax)
model.compile(loss='categorical_crossentropy',     # 單標簽，多分類(categorical_crossentropy)
              optimizer='adam', 
              metrics=['accuracy'])

model.fit(train_X, train_y, epochs=500, batch_size=1, verbose=2)

#檢查模型在測試集上的表現是否良好
test_loss, test_acc = model.evaluate(test_X, test_y)
print('test_acc:', test_acc)

效果圖

結論

只測試了mod 2的情況，效果不好.

訓練數據精度可以達到三分之二左右，測試數據的精度只有四分之一。頭腦風暴，幾乎可以反其道而行之！可能不失為可行之策。

下一步：

1.畫出后20個數據k線圖，看是否是震蕩區(qū)間，亦或是趨勢區(qū)間

2.換別的指標看看

總結

以上是生活随笔為你收集整理的使用keras的LSTM进行预测----实战练习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。