편집
1,408
번
바뀜
→사용
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')