TensorFlow深度学习项目实战

第5章　利用LSTM预测股票价格

在本章中，我们主要介绍如何预测由实值组成的时间序列。具体来说，我们将根据一家在纽约证券交易所上市的公司所提供的股票历史价格信息来预测其股票价格走势。

本章主要包括以下内容：

• 收集股票的历史价格信息；
• 组织数据集，以进行时间序列预测；
• 利用回归方法预测某一只股票的未来价格；
• 长短期记忆（LSTM）神经网络入门；
• 如果用LSTM提高预测性能；
• 在TensorBoard上可视化模型性能。

我们将本章内容按照上述要点进行划分。此外，为了使本章的内容直观、易懂，对于每个要点，我们都会先在较简单的信号曲线（余弦信号）上进行模拟实验。这是因为余弦信号比股票价格更具有确定性，可以帮助你理解算法及其潜力。

　

此项目只是一个实验，只适用于已有的简单数据，无法保证真实场景中能有相同的性能。所以，请不要在真实场景中使用本章的代码和模型。记住，投资有风险，无法保证你总能盈利。

5.1　输入数据集（余弦信号和股票价格）

我们将使用两组一维的信号数据作为时间序列进行实验。第一组数据是添加了均匀噪声的余弦信号。

下面的函数用于生成余弦信号。函数的参数包括需要生成的数据的个数、信号频率以及噪声（均匀生成器的绝对强度）。为保证实验可复现，我们在函数中设置了随机数种子。代码如下：

def fetch_cosine_values(seq_len, frequency=0.01, noise=0.1): np.random.seed(101) x = np.arange(0.0, seq_len, ...