在人工智能领域，Transformer 无疑是当前的明星。它如同科技界的新晋偶像，每次亮相都引起一片惊叹。而曾经辉煌一时的 LSTM，如今却有些黯然失色，犹如被遗忘的老兵。正所谓 “新人笑，旧人哭”，在 Transformer 风靡的时代，LSTM 显得有些落寞，被冷落在技术的角落里。
Transformer 就像一个全能超人，身披 Attention 机制的斗篷，拥有惊人的并行处理能力。它擅长处理长文本，利用自注意力机制能 “一心多用”，全面掌握全局。无论是机器翻译还是文本生成，Transformer 都能轻松应对，并且表现出色。因此，它被广泛用于机器翻译、文本生成、文本分类，以及如 BERT 和 GPT 等各种预训练模型。
相比之下，LSTM 更像是一位经验丰富的老将，专注于处理时间序列问题。它通过输入门、遗忘门和输出门这三道 “关卡” 严密控制信息流，确保重要信息不丢失。尽管 LSTM 处理数据是逐步进行的，但在需要长时间依赖的任务中，如时间序列预测、语音识别和较短文本处理，它依然表现得游刃有余。
01
LSTM 在金融市场的应用
自有股市以来，无数人试图发明不同的方法来预测股市，交易者们使用了各种技术指标和技术分析策略进行交易。有些人更聪明，会利用基本面分析甚至行为分析来增加赢得市场的机会。有些方法有效，有些则无效。随着人工智能和机器学习的发展，新的现代股票市场预测方法出现了，即 LSTM 神经网络。
LSTM 在股市预测中的实际应用已经有不少案例和研究报道。例如，J.P. Morgan 的研究团队使用 LSTM 网络来预测市场趋势和资产价格。他们发现，LSTM 模型在处理时间序列数据方面表现优异，特别是在捕捉市场的长期趋势和波动性方面。
02
了解 LSTM
LSTM 是一种神经网络，可以学习长期依赖性，对于预测股票价格很有用，它随着时间的推移检查一系列股票价格，以发现模式并预测未来价格。
想象一下人类如何处理语言。当我们听某人说话时，我们会在前面的单词和整个对话的上下文中理解每个单词。同样，在预测股票价格时，LSTM 依赖于它过去的经验，就像我们依赖我们的知识来理解句子中单词的含义一样。
为了说明 LSTM 的概念，让我们看看预测序列中的下一个数字：
在序列 [6 - 7 - 8 - ] 中，我们期望下一个数字是 9。
然而，在序列 [2 - 4 - 8 - ] 中，我们预计下一个数字是 16。
这就是 LSTM 网络的闪光点。它们擅长捕捉随时间变化的依赖关系，就像我们的大脑在对话过程中适应不断变化的环境一样。随着时间的推移，序列中较旧的输入对预测下一个值的影响较小。LSTM 网络旨在学习何时记住重要信息以及何时忘记不太相关的数据，这是处理不断变化的股市数据格局时的一个关键功能。
03
LSTM 网络如何工作
LSTM 网络的核心是随时间存储和更新信息的记忆细胞。这些存储单元通过控制信息流的门网络连接。LSTM 网络中的三个基本门是：
遗忘门：该门确定应丢弃或忘记前一时间步中的哪些信息。
输入门：输入门决定当前时间步中的哪些新信息应存储在存储单元中。
输出门：输出门选择应使用存储单元中的哪些信息来对当前时间步进行预测。
这些门协同工作以捕获数据中的模式和依赖性。通过在训练期间调整与每个门相关的权重和偏差，LSTM 网络可以有效地学习根据需要记住和忘记信息，以做出准确的预测。
下面我们来一步步介绍如何在 NVIDIA RTX 5880 电脑上使用 LSTM 来预测股市，这将帮助你了解如何将其用于你的目标，例如预测未来 3 天的股价。
免责声明： 该材料纯粹用于教育目的，不应被视为专业的投资建议，投资由您自行决定。
04
LTSM 算法预测部署实例
部署环境
硬件环境：GPU服务器（4张NVIDIA RTX 5880）
软件环境：Ubuntu 22.04
NVIDIA RTX 5880 Ada
强大性能，成就无限可能
NVIDIA RTX™ 5880 Ada Generation 提供的特性、功能和性能可满足现今专业工作流程的挑战。RTX 5880 基于 NVIDIA Ada Lovelace GPU 架构构建，将第三代 RT Core、第四代 Tensor Core、新一代 CUDA® 核心与 48GB 显存相结合，可提供出色的渲染、图形和计算性能。NVIDIA RTX 5880 驱动的工作站可为您提供所需的功能，助您在当今极具挑战性的商业环境中取得成功。
程序代码
初始设置＜＜
我们先做一些初始设置：
# 安装yahoo_fin!pip install yahoo_fin
import numpy as npimport time as tmimport datetime as dtimport tensorflow as tf# 数据准备from yahoo_fin import stock_info as yffrom sklearn.preprocessing import MinMaxScalerfrom collections import deque# AIfrom keras.models import Sequentialfrom keras.layers import Dense, LSTM, Dropout# 图像库import matplotlib.pyplot as plt
# 设置# 窗口大小或序列长度，7（1周）N_STEPS = 7# 预测步数，1表示明天，3表示后天LOOKUP_STEPS = [1, 2, 3]# 股票代码，特斯拉STOCK = 'TSLA'# 当前日期date_now = tm.strftime('%Y-%m-%d')date_3_years_back = (dt.date.today() - dt.timedelta(days=1104)).strftime('%Y-%m-%d')
加载数据＜＜
我们需要从 Yahoo 财经中加载数据，这里我们加载 Tesla 股票的 1104 条日线收盘数据：
# 加载数据# 从 yahoo_fin 获取# 1104 个周期，间隔 = 1天init_df = yf.get_data(STOCK,start_date=date_3_years_back,end_date=date_now,interval='1d')init_df
这里我们可以看到类似以下的输出结果：
我们不需要将所有这些列都放入 LSTM 模型中。我们只需要一列 "收盘价"，即当天收盘市场的价格。
# 移除神经网络不使用的列init_df = init_df.drop(['open', 'high', 'low', 'adjclose', 'ticker', 'volume'], axis=1)# 基于索引列创建 'date' 列init_df['date'] = init_df.indexinit_df
下面是只包括收盘价和日期的数据。
有了收盘价和日期，我们来绘制一幅 Tesla 的历史走势图
# 我们先在图表上初步查看数据plt.style.use(style='ggplot')plt.figure(figsize=(16,10))plt.plot(init_df['close'][-200:])plt.xlabel("days")plt.ylabel("price")plt.legend([f'Actual price for {STOCK}'])plt.show()
我们可以看到 Tesla 股票价格在过去一年中的基于收盘价的变化情况。
Scale 缩放数据＜＜
由于我们使用的是 LSTM 神经网络，我们需要缩放 "Close "列中的数据，因为机器学习算法在缩放数据时比在普通数据时效果更好。因此，我们需要以下代码：
# 为机器学习引擎缩放数据scaler = MinMaxScaler()init_df['close'] = scaler.fit_transform(np.expand_dims(init_df['close'].values, axis=1))init_df
我们会得到如下运行结果：
我们看到价格在 0 到 1 的范围内缩放。这只是我们需要执行的初步操作，以便让我们的模型以更高的效率运行。
准备数据＜＜
我们已经为 LSTM 机器学习模型初步加载和缩放了数据。不过，我们还需要为下一步程序做好准备。我们的初始目标是预测未来三天的股票价格。这意味着，我们必须根据要预测的天数移动条形图，并为模型准备相应的数据。在本例中，"close " 列是目标列，我们将对其进行移位，并将结果保存在 "future "列中。这就是我们的移位本身。
def PrepareData(days):# 创建数据副本df = init_df.copy()# 创建 'future' 列，其值为 'close' 列向后移动 days 天的值df['future'] = df['close'].shift(-days)# 获取最后 days 天的数据序列last_sequence = np.array(df[['close']].tail(days))# 删除包含 NaN 值的行df.dropna(inplace=True)# 初始化用于存储序列数据的列表sequence_data = []# 使用 deque 存储固定长度的窗口序列sequences = deque(maxlen=N_STEPS)# 遍历数据中的每一行for entry, target in zip(df[['close'] + ['date']].values, df['future'].values):# 将当前行添加到序列中sequences.append(entry)# 如果序列的长度达到 N_STEPS，则将其添加到序列数据列表中if len(sequences) == N_STEPS:sequence_data.append([np.array(sequences), target])# 构造最后的序列数据last_sequence = list([s[:len(['close'])] for s in sequences]) + list(last_sequence)last_sequence = np.array(last_sequence).astype(np.float32)# 构建特征 (X) 和目标 (Y)X, Y = [], []for seq, target in sequence_data:X.append(seq)Y.append(target)# 转换为 numpy 数组X = np.array(X)Y = np.array(Y)return df, last_sequence, X, YPrepareData(3) # 3天
我们会看到以下运行结果：
机器学习模型＜＜
我们在这里使用了 LSTM 神经网络和序列模型，我们有几个 LSTM 层和 Dropout 层，以及最后一个 Dense 层。
参数 "x_train "是数据数组，用于模型训练；
参数 "y_train "是目标列 "close"，我们用它来给出训练的答案；
LSTM 第一层有 60 个神经元，第二层有 120 个神经元。在 LSTM 层之间还有隐藏层，神经元数量减少了 30% (0.3)。最后，我们有 20 个神经元的 "密集"（Dense）和只有一个神经元的 "密集"（Dense），这是模型最后一步的结果。
def GetTrainedModel(x_train, y_train):# 创建一个顺序模型model = Sequential()# 添加一个 LSTM 层，包含 60 个单元，返回序列，输入形状为 (N_STEPS, 1)model.add(LSTM(60, return_sequences=True, input_shape=(N_STEPS, len(['close']))))# 添加 Dropout 层，丢弃 30% 的神经元model.add(Dropout(0.3))# 添加一个 LSTM 层，包含 120 个单元，不返回序列model.add(LSTM(120, return_sequences=False))# 添加 Dropout 层，丢弃 30% 的神经元model.add(Dropout(0.3))# 添加一个全连接层，包含 20 个神经元model.add(Dense(20))# 添加一个输出层，包含 1 个神经元model.add(Dense(1))# 设置批量大小和训练轮数BATCH_SIZE = 8EPOCHS = 80# 编译模型，使用均方误差损失函数和 Adam 优化器model.compile(loss='mean_squared_error', optimizer='adam')# 训练模型model.fit(x_train, y_train,batch_size=BATCH_SIZE,epochs=EPOCHS,verbose=1)# 打印模型摘要model.summary()return model
预测股票价格＜＜
现在，我们已经具备了开始预测 Tesla 股票未来 3 天价格所需的一切。
# 获取预测值predictions = []for step in LOOKUP_STEPS:# 准备数据df, last_sequence, x_train, y_train = PrepareData(step)x_train = x_train[:, :, :len(['close'])].astype(np.float32)# 获取训练好的模型model = GetTrainedModel(x_train, y_train)# 准备最后的序列数据last_sequence = last_sequence[-N_STEPS:]last_sequence = np.expand_dims(last_sequence, axis=0)# 进行预测prediction = model.predict(last_sequence)# 将预测值逆缩放回原始范围predicted_price = scaler.inverse_transform(prediction)[0][0]# 将预测值四舍五入并添加到预测列表中predictions.append(round(float(predicted_price), 2))
我们看到如下运行结果：
从列表中我们可以看到，"损失 "等于 0.0034，约为缩放值的 3%。
运行下面的代码，我们得到未来三天的预测价格
# if bool(predictions) == True and len(predictions) > 0:# 将预测值转换为字符串并添加美元符号predictions_list = [str(d) + '$' for d in predictions]# 将预测值列表转换为字符串，使用逗号分隔predictions_str = ', '.join(predictions_list)# 创建消息字符串，包含股票代码和未来 3 天的预测值message = f'{STOCK} prediction for upcoming 3 days ({predictions_str})'# 打印消息print(message)
我们得到如下 Tesla 股票未来三天的预测价格：
结果图表＜＜
最后我们输出历史数据和预测图的对比走势
# 为整个历史范围执行模型copy_df = init_df.copy()y_predicted = model.predict(x_train)y_predicted_transformed = np.squeeze(scaler.inverse_transform(y_predicted))first_seq = scaler.inverse_transform(np.expand_dims(y_train[:6], axis=1))last_seq = scaler.inverse_transform(np.expand_dims(y_train[-3:], axis=1))y_predicted_transformed = np.append(first_seq, y_predicted_transformed)y_predicted_transformed = np.append(y_predicted_transformed, last_seq)copy_df[f'predicted_close'] = y_predicted_transformed# 将预测结果添加到表中date_now = dt.date.today()date_tomorrow = dt.date.today() + dt.timedelta(days=1)date_after_tomorrow = dt.date.today() + dt.timedelta(days=2)copy_df.loc[date_now] = [predictions[0], f'{date_now}', 0, 0]copy_df.loc[date_tomorrow] = [predictions[1], f'{date_tomorrow}', 0, 0]copy_df.loc[date_after_tomorrow] = [predictions[2], f'{date_after_tomorrow}', 0, 0]# 结果图表plt.style.use(style='ggplot')plt.figure(figsize=(16,10))plt.plot(copy_df['close'][-150:].head(147))plt.plot(copy_df['predicted_close'][-150:].head(147), linewidth=1, linestyle='dashed')plt.plot(copy_df['close'][-150:].tail(4))plt.xlabel('days')plt.ylabel('price')plt.legend([f'Actual price for {STOCK}',f'Predicted price for {STOCK}',f'Predicted price for future 3 days'])plt.show()
下图显示了未来 3 天的预测价格（紫色小线）、整个期间的预测价格（蓝色虚线）和实际价格（橙色实线），紫色小线标出了未来 3 天的预测价格走势。
05
LSTM 股价预测的局限性
使用 LSTM 神经网络进行股票价格预测存在许多限制。一个限制是 LSTM 模型需要大量历史数据来训练。另一个限制是 LSTM 模型很复杂并且难以调整。此外，LSTM 模型容易出现过度拟合，从而导致对新数据的预测不准确。
06
结论
未来，机器学习将在金融领域得到更广泛的应用。通过深度学习、强化学习和迁移学习等技术，算法将变得更加复杂和精确。企业将能够利用人工智能系统分析大量数据，检测复杂模式和关系，从而对市场做出极其准确的预测。这将极大地改善投资方式和金融业的运作方式。
在这一进程中，NVIDIA GPU 发挥着关键作用。其强大的计算能力和并行处理性能，使得复杂的深度学习模型能够高效地进行训练和推理，显著加速了金融算法的开发和部署。因此，NVIDIA GPU 不仅推动了技术进步，也成为金融科技创新的重要基石。
欢迎扫码关注，
获取更多精彩资讯！