原文链接：http://tecdat.cn/?p=23689

在本文中，你将看到如何使用一个被称为长短时记忆的时间序列模型。LSTM模型很强大，特别是在保留长期记忆方面。在本文中，你将解决以下主题。

• 理解为什么你需要能够预测股票价格的变动。

• 下载数据 - 使用从雅虎财经收集的股市数据

• 分割训练-测试数据，并进行数据归一化

• 应用单步预测技术。

• 讨论LSTM模型。

• 用当前的数据预测和可视化未来的股票市场

为什么你需要时间序列模型？

你希望对股票价格进行正确的建模，所以作为一个股票买家，你可以合理地决定何时买入股票，何时卖出股票以获得利润。这就是时间序列模型的作用。你需要好的机器学习模型，它可以观察一连串数据的历史，并正确预测该序列的未来数据。

提示：股票市场的价格是高度不可预测和波动的。这意味着数据中没有一致的模式，使你能够近乎完美地模拟股票价格随时间变化。

然而，我们不要一味地认为这只是一个随机的或者随机的过程，机器学习没有希望。我们至少对数据进行建模，做出的预测与数据的实际行为相关。换句话说，你不需要未来确切的股票价值，而是需要股票价格的变动（也就是说，如果它在不久的将来会上涨或下跌）。

# 可用的库import numpy as npimport tensorflow as tf

下载数据

股票价格有几种不同的变量。它们是

• 开盘：当天的开盘股票价格

• 收盘价：当天的收盘股价

• 高点：数据中最高的股票价格

• 低点：当天的最低股价

获取数据

你要利用航空公司的股票市场价格来进行预测，所以你把股票代码设置为 "AAL"。此外，你还定义了一个url\_string，它将返回一个JSON文件，其中包含航空公司过去20年的所有股市数据，以及一个file\_to_save，它是你保存数据的文件。

接下来，指定条件：如果你还没有保存数据，从你在url\_string中设置的URL中抓取数据；把日期、低点、高点、成交量、收盘价、开盘价存储到一个pandas DataFrame df中，把它保存到file\_to_save。

# 从URL中抓取数据# 将日期、低点、高点、成交量、收盘价、开盘价存储到Pandas DataFrame中#提取股票市场数据            df = pd.DataFrame(columns=\['Date','Low', 'High', 'Close', ' Open'\])print('数据保存到：%s'%file\_to\_save)# 如果数据已经存在，只需从CSV中加载即可    否则。print('文件已经存在，从CSV中加载数据')        df = pd.read\_csv(file\_to_save)

数据探索

在这里你将把收集的数据输出到DataFrame中。你还应该确保数据是按日期排序的，因为数据的顺序在时间序列建模中至关重要。

# 按日期对数据框架进行排序df = df.sort_values('Date')# 仔细检查结果df.head()

数据可视化

现在让我们来看看是什么样的数据。

plot(range(df.shape\[0\]),(df)/2.0)

这张图已经说明了很多问题。我选择这家公司而不是其他公司的原因是，这张图随着时间的推移，股票价格有不同表现行为。这将使模型学习更加稳健，并且给你一个价格变化来测试对各种情况的预测有多好。

另一个需要注意的是，接近2017年的数值要比接近20世纪70年代的数值高得多，而且波动也大。因此，你需要确保数据在整个时间范围内表现为类似的价格范围，需要将数据标准化。