편집
1,408
번
바뀜
잔글3번째 줄:
3번째 줄: + + + 16번째 줄:
19번째 줄: − form sklearn import preprocessing # 사이킷런의 데이터 전처리 기능을 이용한다. 22번째 줄:
24번째 줄: + + 27번째 줄:
31번째 줄: − + − + 91번째 줄:
95번째 줄: − from keras.models import Model − from keras.layers import Dense, Dropout, LSTM, Input, Activation − from keras import optimizers 124번째 줄:
125번째 줄: + + + + 174번째 줄:
179번째 줄: + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
편집 요약 없음
현재일을 포함한 50일 거래일의 데이터를 바탕으로 이후의 값을 예측. 일반적으로 OHLCV를 넣어준다.
현재일을 포함한 50일 거래일의 데이터를 바탕으로 이후의 값을 예측. 일반적으로 OHLCV를 넣어준다.
=== 요구사항 ===
케라스와 텐서플로우, 판다스, 넘파이 따위의 라이브러리를 필요로 한다.
== 사용 ==
== 사용 ==
import numpy as np
import numpy as np
import FinanceDataReader as fdr # 주가데이터를 알려주는 라이브러리.
import FinanceDataReader as fdr # 주가데이터를 알려주는 라이브러리.
</syntaxhighlight>
</syntaxhighlight>
|-
|-
|데이터를 불러와 50개씩 나누어 교육데이터를 준비한다.
|데이터를 불러와 50개씩 나누어 교육데이터를 준비한다.
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
from sklearn import preprocessing # 사이킷런의 데이터 전처리 기능을 이용한다.
def call_dataset(ticker = '005930', stt = '2015-01-01', end = '2021-03-30', history_points = 50):
def call_dataset(ticker = '005930', stt = '2015-01-01', end = '2021-03-30', history_points = 50):
data = fdr.DataReader(ticker, stt, end)
data = fdr.DataReader(ticker, stt, end)
print('data: ', data.shape)
print('data: ', data.shape)
data = data.values # 값만 갖고온다
data = data.values # 값만 갖고온다
data_normalizer = preprocessing.MinMaxScaler() # 데이터를 0~1 범위로 점철되게 하는 함수 call
data_normalizer = preprocessing.MinMaxScaler() # 데이터를 0~1 범위로 전처리 하는 함수 call
data_normalized = data_normalizer.fit_transform(data) # 데이터를 0~1 범위로 점철되게 함수 수행
data_normalized = data_normalizer.fit_transform(data) # 데이터를 0~1 범위로 전처리
print('data_normalized: ', data_normalized.shape)
print('data_normalized: ', data_normalized.shape)
# using the last {history_points} open close high low volume data points, predict the next open value
# using the last {history_points} open close high low volume data points, predict the next open value
import keras
import keras
import numpy as np
import numpy as np
np.random.seed(4)
np.random.seed(4)
|
|
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
from keras.models import Model
from keras.layers import Dense, Dropout, LSTM, Input, Activation
from keras import optimizers
# model architecture
# model architecture
lstm_input = Input(shape=(history_points, 5), name='lstm_input')
lstm_input = Input(shape=(history_points, 5), name='lstm_input')
</syntaxhighlight>
</syntaxhighlight>
|}
|}
= 성능을 개선하기 위한 노력 =
어떻게 하면 성능이 더욱 개선될까?
상황에 따라, 데이터 형태에 따라 하이퍼파라미터는 바뀌기 마련이지만, 이에 대한 연구가 있어 간략하게 써 본다.<ref name=":0">Journal of Digital Convergence. LSTM을 이용한 주가예측 모델의 학습방법에 따른 성능분석(정종진, 김지연. 2020)</ref>
그리고 향상의 노력을 이곳에 담아본다.
== 데이터 전처리 ==
거래량 특정값에 있어 거래량 수치 자체를 사용하는 것보다 거래량의 변화량을 사용한 경우가 평균제곱오차에서 성능이 더 좋았다.
하나의 데이터를 사용하기보다 OHLCV 모두를 입력으로 넣는 편이 더 잘 작동한다. 그리고 인덱스를 넣어주면 더 좋았다.(더 상위기업만 포함한 것이)<ref>2015 IEEE International Conference on Big Data. A LSTM-based method for stock returns prediction : A case study of China stock market. Kai Chen, Yi Zhou, Fangyan Dai(2015)</ref>
== 가중치 초기화 방법 ==
{| class="wikitable"
!과정
!설명
!적합한 방법
|-
|kernel initializer
|
|Xavier normal
|-
|recurrent initializer
|
|random normal
|-
|bias initializer
|
|he uniform
|}
== 정규화 방법 ==
{| class="wikitable"
!과정
!설명
!적합한 방법
|-
|kernel
|activity regularizer가 L2(0.1)일 때.
|L2(0.003)
|}
== 활성화 함수 ==
{| class="wikitable"
!과정
!설명
!적합한 방법
|-
|기본 활성화 함수
|
|elu, softsign, tanh
|-
|recurrent활성화 함수
|
|elu, softsign, tanh, hard sigmoid
|}
위 둘의 조합으로는 케라스의 기본 설정인 tanh와 hard sigmoid가 가장 성능이 좋았다고 한다.
== 성능평가 ==
=== loss ===
회귀에 대한 문제는 일반적으로 MSE가 사용된다.<ref name=":1">International Journal of Machine Learrning and Cybernetics(2020). Study on the prediction of stock price based on the associated network model of LSTM. Guangyu Ding, Lianxi Qin.</ref>
=== metrics ===
평균제곱근오차(RMSE)를 사용한다. 모델의 예측값과 실제 환경에서 관찰되는 값의 차리를 다룰 때 흔히 사용되는 평가방법이라 한다.
== 최적화 함수 ==
활성화 함수가 tanh일 땐 Adam이 가장 좋았다고 한다.<ref name=":0" /><ref name=":1" />
= 각주 =
[[분류:LSTM]]
[[분류:LSTM]]
<references />
[[분류:Keras]]