量化研究分享：使用LSTM模型预测股价_lstm股价预测

hello，我是毛豆。

上次毛豆以涨停双响炮为例，介绍了如何通过python对股票进行分钟级别的监控：

量化研究分享：如何用python抓涨停双响炮

后面收到小伙伴的私信，说最近人工智能很火，问毛豆有没有可能用人工智能来炒股呢？

其实，用AI模型炒股这件事情早已广泛存在，大量的量化机构都在研究和使用，这里面主要涉及到机器学习、深度学习技术，想要深入研究并不是一件容易的事情。为了满足大家的好奇心，今天毛豆就以时序分析中常用的LSTM模型为例，来和大家分享一下机器学习技术是如何应用于股价预测的。

一、LSTM模型

首先说一下为什么要使用LSTM模型来预测股价。一方面，股价预测是高度非线性的，这就要求模型能够处理非线性问题；另一方面，股价具有时间序列的特性，适合使用循环神经网络。因此相比于众多ML和DL模型，LSTM在这个问题上有着天然的优势。

然后介绍一下今天的主角，LSTM模型。LSTM的全称是Long Short Term Memory，是循环神经网络（RNN）的一种，顾名思义，它具有记忆长短期信息的能力。长期困扰传统神经网络结构的一个基本问题是解释“信息”和“上下文”相互依赖的输入序列，在这个问题上RNN能起到一定的作用，但是当输入序列过长时RNN的权重矩阵要循环相乘，所以会产生梯度消失和梯度爆炸的问题，因此RNN不能解决长期依赖问题，这时候LSTM就可以派上用场了。

LSTM模型的1个神经元包含了1个细胞状态（cell）和3个门（gate）机制，三个门分别是输入门、遗忘门和输出门。其中输入门决定将哪些新信息添加到细胞状态，遗忘门负责单元状态的权重和激活函数，输出门决定输出什么，它决定了后面隐藏状态的值。LSTM的核心是细胞状态，它贯穿整个细胞却只有很少的分支，这样能保证信息不变的流过整个RNN。下面是 LSTM 神经元的典型内部工作图：

其中C(t-1)为上一时刻的细胞状态值，C(t)为这一时刻的细胞状态值；h(t-1)为上一时刻的输出，h(t)为这一时刻的输出。参数更新方法主要是反向传播和链式求导，具体公式在这里不做阐述。由于存储单元中编码的值不会重复更新，因此在使用反向传播训练时梯度不会消失，从而使LSTM能够克服梯度消失问题。

总的来说，信息按照一套规则进入LSTM网络，只有经过LSTM验证的信息才会被保留，否则它将被遗忘门删除。这种单元状态是保持网络和输入的长期记忆和上下文的原因。

LSTM模型就介绍到这里，接下来介绍如何通过LSTM模型实现股价预测。

二、通过LSTM模型实现股价预测

0. 环境准备

导入数据分析常用的包：

#基础数据分析包
import os
import pandas as pd 
import numpy as np
import pickle
import jqdatasdk
from jqdatasdk import *
import mpl_finance as mpf
from matplotlib.dates import date2num
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker

导入深度学习keras框架。多年前毛豆做深度学习模型的时候，keras还是独立的包，其后端（底层框架）是可以选择tensorflow或Theano的，但现在keras已经集成到tensorflow中了，因此直接用tf.keras就好了：