下一步是为验证集创建一个预测，并使用实际值检查RMSE。
做出预测
preds = []
对于我的范围（0,248）：
a = train'close'.sum（） + sum（preds）
B = A/248
preds。（b）
结果计算RMSE
rms = np.sqrt（np.mean（np.power（（（np.Array）（有效['close']） - preds），2））））））））））））））
RMS
104.548
仅检查RMSE并不能帮助我们了解模型的执行方式。让我们将其可视化以获得更直观的理解。因此，这是预测值与实际值的图。
绘制图片
有效[''] = 0
有效[''] = preds
plt.plot（train ['close']）
plt.plot（有效[['close'，'']]）
推理
RMSE值接近105，但是结果不是很有希望（从图可以看出）。预测值的范围与验证集中的观测值相同（最初有增加趋势，然后慢慢降低）。
在下一节中，我们将介绍两种常用的机器学习技术 - 线性回归和KNN，并了解它们在我们的股票市场数据上的表现。
2。线性回归简介
可以在此数据上实现的最基本的机器学习算法是线性回归。线性回归模型返回一个方程式，该方程式决定了独立变量和因变量之间的关系。
线性回归的方程式可以写为：
在这里，x1，x2，....xň表示自变量，而系数θ1，θ2，...θñ代表权重。
对于我们的问题描述，我们没有一组自变量。我们只有日期。让我们使用日期列来提取诸如 - 日，月，年，星期一/星期五之类的功能，然后适合线性回归模型。
代码
我们将首先按升序排序数据集，然后创建一个单独的数据集，以便创建的任何新功能都不会影响原始数据。
将索引设置为日期值
df ['date'] = pd。（df.date，='％y-％m-％d'）
df.index = df ['date']
种类
data = df。（= true，axis = 0）
创建一个单独的数据集
= pd。（index = range（0，len（df）），= ['date'，'close']）
对于I范围（0，LEN（数据））：
'date'= data'date'
'关闭'= data'close'
创建功能
从 。
（， '日期'）
.drop（''，轴= 1，= true）＃将是时间戳
这创建了以下特征：
'年'，'月，“''，'day'，''，''，''，''，''，''，''，'，'，'，'，'，'，'，'，'，'，'，'，'，'，' '， ''， 和 ''。
注意：我使用了库。如果您没有安装它，只需使用命令PIP即可。另外，您可以使用简单的循环创建此功能。我在下面显示了一个示例。
除此之外，我们还可以添加自己认为与预测有关的特征。例如，我的假设是，一周的第一天和最后几天可能会影响股票的收盘价，而远远超过了其他日子。因此，我创建了一项功能，该功能确定某个一天是星期一/星期五还是星期二/星期三/星期四。可以使用以下代码行完成：
[''] = 0
对于I范围（0，len（））：
if（''== 0或''== 4）：
''= 1
别的：
''= 0
如果一周中的一天等于0或4，则列值为1，否则为0。类似地，您可以创建多个功能。如果您对可以有助于预测股票价格的功能有一些想法，请在评论部分中分享它们。
现在，我们将数据分为培训和验证集以检查模型的性能。
分为训练集和验证集
火车= [：987]
有效= [987：]
= Train.Drop（'Close'，Axis = 1）
=火车['关闭']
=有效。drop（'Close'，Axis = 1）
=有效['close']
实现线性回归
从 。
模型=（）
model.fit（，）
对结果进行预测并找到RMSE
preds =模型。（）
rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））
RMS
121.156
RMSE值高于先前的技术，该技术清楚地表明线性回归的性能差。让我们看一下图表，了解为什么线性回归做得不好：
绘制图片
有效[''] = 0
有效[''] = preds
有效index = [987：]。索引
train.index = [：987] .index
plt.plot（train ['close']）
plt.plot（有效[['close'，'']]）
推理
线性回归是一种简单的技术，很容易解释，但是有一些明显的缺点。使用回归算法的一个问题是该模型与日期和月列相匹配。该模型没有从一个月前的同一日期或一年前同一日期/月来考虑以前的值，而是从预测的角度考虑以前的值。
从上图可以看出，股价在2016年1月和2017年1月下降。该模型预测了2018年1月的情况。线性回归技术可以很好地解决诸如大型超市之类的销售问题，其中独立功能对确定目标值。
3. K-邻居简介
这里可以使用的另一种有趣的ML算法是KNN（K最近的邻居）。 KNN发现基于自变量的新数据点和旧数据点之间的相似性。让我用一个简单的例子来解释它。
考虑11人的身高和年龄。根据给定特征（“年龄”和“高度”），该表可以以图形格式表示：如下：
为了确定ID＃11的重量，K-NN考虑了该ID最近邻居的重量。 ID＃11的重量预计将是其邻居的平均值。如果我们现在考虑三个邻居（k = 3），ID＃11的重量将为=（77 + 72 + 60）/3 = 69.66 kg。
代码导入库
从
从 。
从 。
=（=（0，1））
使用上一节中相同的培训和验证集：
比例数据
=。（）
= pd。（）
=。（）
= pd。（）
使用使用的最佳参数
= {''：[2,3,4,5,6,7,8,9]}
knn =。（）
型号=（knn，，cv = 5）
适合模型并进行预测
model.fit（，）
preds =模型。（）
结果查看RMSE值
rms = np.sqrt（np.mean（np.power（（（np.Array（）-np.Array（preds）），2）））））））））））））））））
RMS
115.721
RMSE值没有太大差异，但是预测和实际值的图应提供更清晰的理解。
绘制图片
有效[''] = 0
有效[''] = preds
plt.plot（有效[['close'，'']]）
plt.plot（train ['close']）
推理
RMSE值几乎与线性回归模型相似，并且图显示了相同的模式。像线性回归一样，KNN也确定了2018年1月的下降，因为这是过去几年的形式。我们可以肯定地说，回归算法在此数据集上的性能差。
让我们继续研究某些时间序列预测技术，以了解它们在面对股价预测挑战时的表现。
4。汽车介绍
Arima是一种非常流行的时间序列预测统计方法。 Arima模型考虑了过去的值以预测未来的价值。 Arima有三个重要参数：
Arima参数调整可能需要大量时间。因此，我们将使用Auto Arima，该Auto Arima会自动选择（P，Q，D）来提供最小错误的最佳组合。
代码
来自.arima
data = df。（= true，axis = 0）
火车=数据[：987]
有效=数据[987：]
=火车['关闭']
=有效['close']
model =（，，= 1，= 1，max_p = 3，max_q = 3，m = 12，= 0，= true，d = 1，d = 1，trace = true，='''，= true）
model.fit（）
=模型。（= 248）
= pd。（，index =有效index，= [''']）
结果
rms = np.sqrt（np.mean（np.power（（np.Array）（有效['close']） - np.array（[''']），2）））））））））））））））））））））
RMS
44。
绘制图片
plt.plot（train ['close']）
plt.plot（有效['close']）
plt.plot（预测['预测']）
推理
如前所述，自动Arima模型使用过去的数据来了解时间序列中的模式。使用这些值，该模型获得了该系列的增长趋势。尽管使用此技术的预测比以前实现的机器学习模型的预测要好得多，但这些预测仍然不接近实际值。
从该图可以看出，该模型在该系列中捕获了趋势，但并未集中在季节性部分上。在下一节中，我们将实施一个时间序列模型，以考虑该系列的趋势和季节性。
5。简介
可以在库存预测数据集上实现许多时间序列技术，但是在拟合模型之前，大多数这些技术都需要大量的数据预处理。设计和开创性的是一个时间序列预测库，不需要数据预处理，并且非常易于实现。输入是一个具有两个列的数据框架：日期和（DS和Y）。
试图在过去的数据中获得季节性，并在数据集很大时做得很好。
代码导入
从
创造
= pd。（index = range（0，len（df）），= ['date'，'close']）
对于I范围（0，LEN（数据））：
'date'= data'date'
'关闭'= data'close'
['date'] = pd。（。日期，='％y-％m-％d'）
.index = ['date']
准备数据
。
培训和验证
火车= [：987]
有效= [987：]
使用正确的型号
模型=（）
型号（火车）
预测
= model.e（= len（））
=型号。（）
结果查看RMSE
='yhat'
rms = np.sqrt（np.mean（np.power（（（np.Array））（有效['y']） - np.Array（）），2）））））））））））））
RMS
57。
绘制图片
有效[''] = 0
有效[''] =。
plt.plot（train ['y']）
plt.plot（有效[['y'，'']]）
推理
（与大多数时间序列预测技术相同）尝试从过去的数据中获得趋势和季节性。该模型通常在时间序列数据集上表现良好，但在这种情况下无法实现其声誉。
事实证明，股价没有具体的趋势或季节性。这在很大程度上取决于当前市场状况，因此价格将上涨。因此，诸如Arima之类的预测技术不会为此特定问题显示出良好的结果。
让我们继续尝试另一种先进的技术 - 长期和短期内存（LSTM）。
6。长期和短期记忆简介（LSTM）
LSTM广泛用于序列预测问题，已被证明非常有效。他们之所以非常有效的原因是，LSTM能够存储过去的重要信息，而忘记了不重要的信息。 LSTM有三扇门：
现在，让我们将LSTM作为黑匣子实现，并在我们的特定数据上检查其性能。
代码导入所需的库
从 。
来自Keras。
来自Keras。密集，LSTM
创造
data = df。（= true，axis = 0）
= pd。（index = range（0，len（df）），= ['date'，'close']）
对于I范围（0，LEN（数据））：
'date'= data'date'
'关闭'= data'close'
设置索引
.index = .date
.drop（'date'，轴= 1，= true）
创建培训和测试集
=。
火车= [0：987，：]
有效= [987：，：]
将数据集转换为X和Y列
=（=（0，1））
=。（）
，= []，[]
对于我的范围（60，Len（火车））：
。（[I-60：i，0]）
。（[i，0]）
，= np.Array（），np.Array（）
= np。（（。
创建和使用LSTM网络
模型=（）
model.Add（lstm（单位= 50，= true，=（。shape [1]，1）））））
ADD（LSTM（单位= 50））
型号（密集（1））
桩（损失=''，='adam'）
model.fit（，，，= 1，= 1，= 2）
使用训练集中的过去60个值预测246个值
= [len（） - len（有效）-60：]。
=。（-1,1）
=。（）
= []
对于我的范围（60，.shape [0]）：
。（[I-60：i，0]）
= np.array（）
= np。（，（。形状[0]，。shape [1]，1））
=型号。（）
=。（）
结果
rms = np.sqrt（np.mean（np.power（（录用 - ），2），2））））））
RMS
11.，
绘制图片
火车= [：987]
有效= [987：]
有效[''] =
plt.plot（train ['Close']）
plt.plot（有效[['close'，'']]）
推理
LSTM模型可以根据不同的参数进行调整，例如更改LSTM层的数量，添加值或增加时期的数量。但是，LSTM的预测是否足以确定股票价格是在上涨还是下跌？当然不是！
正如我在本文开头提到的那样，股票价格受到有关公司的新闻以及其他因素（例如货币化或公司的合并/拆分）的影响。还有一些无形的因素通常是不可预测的。
结局笔记
时间序列预测是一个非常有趣的领域，正如我在撰写这些文章时意识到的那样。社区中有一种看法，这是一个非常复杂的领域。尽管有些确实更为复杂，但是一旦您掌握了基本技术，它将不那么困难。
本文的作者使用六种方法来预测股票价格波动，并分析了结果模型中每种算法的优点和缺点。从数字可以看出，LSTM方法是最合适的。一种方法，但是股票市场需要考虑许多因素。不仅需要预测一些关键功能。我们可以根据先前数据验证算法，但使用该算法来预测未来的库存上升。损失下降时仍然存在一些风险，因此您仍然应该谨慎使用这些算法。至少没有算法可以预测未来股票的时间序列模型算法100％。最好暂时使用该算法来连续训练，直到未来的技术有一天成熟。
使用和深（用代码）进行库存
