삼성 주식 예측(Lstm)

주식데이터 다운로드 주소

finance.yahoo.com/quote/005930.KS/history?p=005930.KS

SamsungElec (005930.KS) Stock Historical Prices & Data - Yahoo Finance

기본적인 라이브러리 입니다.

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras.callbacks import EarlyStopping
import matplotlib.pyplot as plt

Data Load

samsung_csv = '005930.KS.csv'
window_size = 7
batch_size = 32
shuffle_buffer = 60000

samsung = pd.read_csv(samsung_csv)
samsung = samsung.dropna(axis=0)

# 컬럼선택을 Low를 하셔도 되고, 다른 데이터로 해도 무방합니다.
samsung_times = pd.to_datetime(samsung.Date,format='%Y-%m-%d')
samsung_series = samsung.Low
samsung_series_copy = samsung.Low

# array 변환
samsung_series = np.asarray(samsung_series,dtype='float32')

nomalization 진행

# normalization 진행
min_scale = np.min(samsung_series)
max_scale = np.max(samsung_series)
samsung_series -= min_scale
samsung_series /= max_scale

최소값을 빼주고, 최대값으로 나눠줘서 수치형 데이터를 정규화 해줍니다.

 

Dataset을 tensor로 변환해서 사용합니다.

이때 사용되는 함수는 coursera 강의의 tensorflow 자격증 강의에 나왔던 함수입니다.

 

주석으로 따로 설명을 적어놨습니다. 참고바랍니다.

# Dataset 구성 함수
# 1차적으로 차원증가 후 텐서슬라이스에 매개변수로 전달
# ex)7일 + 1일 = 8일의 데이터 생성 (7일은 학습데이터, 1일은 정답데이터로 사용됨), drop_remainder 파라미터는 예측할 학습데이터가 7개가 안되면 삭제해서 진행
# flat_map을 이용해서 flat_map을 이용해서 8개로 생성
# shuffle을 이용해서 무작위로 섞음
# 마지막으로 7:1 (학습7,정답1)로 매핑진행
# 마지막으로 배치사이즈만큼 다시한번 매핑진행
# 참고사이트 : https://teddylee777.github.io/tensorflow/dataset-batch-window
def windowed_dataset(series, window_size, batch_size, shuffle_buffer):
    series = tf.expand_dims(series, axis=-1)
    ds = tf.data.Dataset.from_tensor_slices(series)
    ds = ds.window(window_size + 1, shift=1, drop_remainder=True)
    ds = ds.flat_map(lambda w: w.batch(window_size + 1))
    ds = ds.shuffle(shuffle_buffer)
    ds = ds.map(lambda w: (w[:-1], w[1:]))
    return ds.batch(batch_size).prefetch(1)

# 학습용데이터로 변환
dataset = windowed_dataset(samsung_series, window_size, batch_size, shuffle_buffer)

layer Create

# LSTM or GRU
# input_shape 는 [batch_size,1]만큼 들어갈 예정
model = tf.keras.Sequential([
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(256,input_shape=[None,1],return_sequences=True)),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(128,return_sequences=True)),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.Dense(512,'relu'),
    tf.keras.layers.Dense(256,'relu'),
    tf.keras.layers.Dense(128,'relu'),
    tf.keras.layers.Dense(1)
])

lstm은 기본적으로 정방향으로 계산이 됩니다.

역방향으로도 계산을 진행시키면 더 정확한 연산이 가능하므로 bidirectional 메서드를 감싸줍니다.

 

model compile

# 시계열데이터라서 mse사용, optimizer는 adam으로 통일 metrics 또한 mse로 진행
model.compile(loss='mse',optimizer='adam',metrics=['mse'])

Learning rate schedule 과 earlystop을 이용해서

learning rate는 epoch이 증가함에 따라서 작아지게 설정하고, earlystop을 이용해서 더이상 학습의 진척이 없을 경우

중지하게 설정을 합니다.

# learningrate 설정 진행, 점점 더 높아지게 설정
# earlystopping 설정, 과적합 방지
lr_schedule = tf.keras.callbacks.LearningRateScheduler(
    lambda epoch: 1e-8 * 10**(epoch / 20))
earlystop = EarlyStopping(monitor = 'loss',mode='min',patience=10)

model fit

history = model.fit(dataset,epochs=150,callbacks=[lr_schedule,earlystop])

 

model save

# Calling `save('my_model.h5')` creates a h5 file `my_model.h5`.
model.save("samsung.h5")

# It can be used to reconstruct the model identically.
samsung_model = tf.keras.models.load_model("samsung.h5")

---

---

model predict(7일씩 데이터 입력 진행)

# Window 사이즈 만큼 예측결과를 다시 Array로 반환
predicts = []
for time in range(len(samsung_series)-window_size):
    pred = np.array(samsung_series_copy[time : time + window_size])
    pred -= min_scale
    pred /= max_scale
    
    pred = pred.reshape(1,-1,1)
    
    predict = model.predict(pred)
    
    predict *= max_scale
    predict += min_scale
    
    predicts.append(predict[0][0])

시각화 진행

plt.figure(figsize=(12,8))
plt.plot(samsung_times[2500:3000],predicts[2500:3000],color='red',label='Predict')
plt.plot(samsung_times[2500:3000],samsung_series_copy[2500:3000],color='blue',label='Real')
plt.legend(loc='center left')
plt.show()

plt.figure(figsize=(12,8))
plt.plot(samsung_times[:len(samsung_series) - window_size],predicts[:len(samsung_series) - window_size],color='red',label='Predict')
plt.plot(samsung_times[:len(samsung_series) - window_size],samsung_series_copy[:len(samsung_series) - window_size],color='blue',label='Real')
plt.legend(loc='center left')
plt.show()

예측 함수 생성

# 7일까지만 예측진행
future_days = 7

future_series = predicts[-window_size:]

window_size는 위에서 7일로 정해놨고, predicts의 7일치 내용만을 이용하여,

최근 7일치만 가지고 다시 새로운 7일을 예측하는 부분입니다.

# 7일 예측씩 지속적으로 예측 진행
def predict_days(future_days,future_series):
    
    futures = []
    for time in range(future_days):
        pred = np.array(future_series,dtype='float64')
        pred -= min_scale
        pred /= max_scale

        pred = pred.reshape(1,-1,1)

        predict = model.predict(pred)

        predict *= max_scale
        predict += min_scale

        future_series.append(predict[0][0])
        futures.append(predict[0][0])

        future_series.pop(0)
        
    plt.plot(np.arange(future_days),futures)
    plt.title('{}days'.format(future_days))
    plt.show()

predict_days(future_days,future_series)

 

 

이상입니다.

 

모델의 layer를 lstm이 아닌 GRU로 변경을 하셔도 무방합니다.

GRU는 lstm보다 빠를뿐더러 더 정확한 결과가 나올 수도 있습니다.

실제 이를 이용해서 주식을 투자하는 방식은 권유하지 않습니다.

학습 목적으로 이용해주시기 바랍니다.

감사합니다.

 

그외 다른 주식 데이터를 이용해도 무방합니다.