原标题：用机器学习来预测股价(代码+文档)——iNTUtion决赛大作！
本期作者：Roman Moser
本期翻译：deigozhao
未经授权，严禁转载
机器学习和深度学习在时间序列数据的预测上具有很高的准确率，在金融机构中获得了广泛的应用。有大量的研究来进一步提升金融数据相关模型的准确率，本文要介绍的AlphaAI项目就是其中之一，AlphaAI使用栈式神经网络的架构(stacked neural network architecture )来预测多只股票的价格。
工作流程
AlphaAI的关键流程包括以下5步：
1、获取股票价格数据
2、用小波变换(Wavelet Transform)去除数据中的噪声
3、用栈式自编码器(stacked autoencoder)来提取特征
4、用这些特征来训练LSTM模型
5、测试模型的准确率
下面详细介绍以上5个步骤的具体细节。
数据获取
获取股票价格比较简单，直接用pandas_datareader这个API从雅虎财经获取数据即可。代码是：
stock_data = pdr.get_data_yahoo(self.ticker, self.start, self.end)
数据去噪和小波变换
由于股票市场动态的复杂性，股票的价格数据往往充满噪音，可能会影响机器学习的效果。因此很有必要把噪音从股票价格的趋势和结构中剔除出去。
去噪的方法可以是傅里叶变换，也可以是本文中使用的小波变换。
小波变换的公式如上，具体的操作是:
a. 做小波变换
b. 把落在一个标准差之外的系数剔除掉
c. 只用新的系数，生成新的去噪后的股价数据
下图是一个用小波变换来处理时间序列数据的效果图：
第1个图形是原始数据，经过小波变换后得到第2和第3个图形；可以看出后两个图形中毛刺的噪声数据已经被有效剔除。
Pywt是一个很好用的python库，用这个库来处理上述小波变换的python代码如下：
x = np.array(self.stock_data.iloc[i: i + 11, j])
(ca, cd) = pywt.dwt(x, "haar")
cat = pywt.threshold(ca, np.std(ca), mode="soft")
cdt = pywt.threshold(cd, np.std(cd), mode="soft")
tx = pywt.idwt(cat, cdt, "haar")
提取特征和栈式自编码器
通常在机器学习中，往往需要利用领域知识来构建特征提取的方法，也可以使用受限玻尔兹曼机(restricted Boltzmann machines )来自动提取特征。本文采用的是栈式自编码器(stacked autoencoders)，主要是考虑到栈式自编码器的可解释性更好。
栈式自编码器把数据先从高维压缩到低维、然后再扩展到高维，这个过程的压缩部分就是很有效的一种特征提取的方法。栈式自编码器的网络结构图如下：
输入数据可以被压缩到任意的维度(网络的一个节点可以看做一维特征)，通过先压缩后扩展的方式，输入数据中有效的特征被提取了出来。另外，栈式自编码器的输入层和输出层是一样的，是一种无监督学习的算法，不需要特定的人工标注数据。
我们用keras来生产这样一个模型：
classAutoEncoder:
def__init__(self, encoding_dim):
self.encoding_dim = encoding_dim
defbuild_train_model(self, input_shape, encoded1_shape, encoded2_shape, decoded1_shape, decoded2_shape):
input_data = Input(shape=(1, input_shape))
encoded1 = Dense(encoded1_shape, activation="relu", activity_regularizer=regularizers.l2(0))(input_data)
encoded2 = Dense(encoded2_shape, activation="relu", activity_regularizer=regularizers.l2(0))(encoded1)
encoded3 = Dense(self.encoding_dim, activation="relu", activity_regularizer=regularizers.l2(0))(encoded2)
decoded1 = Dense(decoded1_shape, activation="relu", activity_regularizer=regularizers.l2(0))(encoded3)
decoded2 = Dense(decoded2_shape, activation="relu", activity_regularizer=regularizers.l2(0))(decoded1)
decoded = Dense(input_shape, activation="sigmoid", activity_regularizer=regularizers.l2(0))(decoded2)
autoencoder = Model(inputs=input_data, outputs=decoded)
encoder = Model(input_data, encoded3)
# Now train the model using data we already preprocessed
pile(loss="mean_squared_error", optimizer="adam")
train = pd.read_csv("preprocessing/rbm_train.csv", index_col=0)
ntrain = np.array(train)
train_data = np.reshape(ntrain, (len(ntrain), 1, input_shape))
# print(train_data)
# autoencoder.summary()
autoencoder.fit(train_data, train_data, epochs=1000)
LSTM模型
LSTM由于各种结构的cell和gate的存在，可以有效的捕捉相隔很远的两个node之间的关系，从而在时间序列的预测问题上效果非常好。让我们来详细讨论下细节：
1、优化方法(Optimizer)
一个好的优化方法，应该要具有更快的收敛速度、同时也要尽量避免陷入局部最优点从而无法收敛到全局最优值。本文使用的是Adam optimizer ，该方法兼具Adagrad和RMSprop的优点。
先来看最基础的SGD：
Adagrad则用的是动态的学习率，根据历史迭代的梯度来计算当前的学习率；基本思想是如果历史梯度比较小、则该特征需要用小的学习率(避免步子卖得太大)，如果历史梯度比较大、则该特征可以用大的学习率(避免收敛的太慢)。 Adagrad的公式如下
其中G是历史该特征历史梯度的平方和。
RMSprop和Adagrad很像，但其在对历史梯度计算移动均值时，最近几轮的梯度影响会更大。其公式如下：
Adam不仅考虑了动态的学习率，而且还考虑了动态的梯度。其动态学习率的处理和RMSprop是类似的。Adam的公式如下：
其中学习率的调整方式是：
而梯度的动态调整时：
总结一下Adam的三个特点：
1、动态调整学习率
2、有效的避免梯度消失
3、梯度和学习率的迭代时，都用了动量的方法
正则化
训练深度模型的另外一个需要注意的地方是正则化，避免让模型参数过大、避免让训练过程陷入过拟合状态。文本采用的是Tikhonov正则方法，加上正则化之后的优化目标变成了：
常用的L2正则是Tikhonov正则的一个特例(K=2)。
Dropout
Dropout也是一种避免过拟合的方法， 方式是在训练的过程中随机的把某些中间节点丢弃掉。这样会迫使网络中某一层的节点不过分依赖上一层节点中的，因而使得这个网络具有更好的鲁棒性。下图是加了Dropout层的效果，可以看到加了Dropout使得分类错误率明显下降。
模型实现
上面的所有步骤都可以用keras来实现，下面是部分代码(全部代码文末查看)：
classNeuralNetwork:
def__init__(self, input_shape, stock_or_return):
self.input_shape = input_shape
self.stock_or_return = stock_or_return
defmake_train_model(self):
input_data = kl.Input(shape=(1, self.input_shape))
lstm = kl.LSTM(5, input_shape=(1, self.input_shape), return_sequences=True, activity_regularizer=regularizers.l2(0.003),
recurrent_regularizer=regularizers.l2(0), dropout=0.2, recurrent_dropout=0.2)(input_data)
perc = kl.Dense(5, activation="sigmoid", activity_regularizer=regularizers.l2(0.005))(lstm)
lstm2 = kl.LSTM(2, activity_regularizer=regularizers.l2(0.01), recurrent_regularizer=regularizers.l2(0.001),
dropout=0.2, recurrent_dropout=0.2)(perc)
out = kl.Dense(1, activation="sigmoid", activity_regularizer=regularizers.l2(0.001))(lstm2)
model = Model(input_data, out)
pile(optimizer="adam", loss="mean_squared_error", metrics=["mse"])
# load data
train = np.reshape(np.array(pd.read_csv("features/autoencoded_train_data.csv", index_col=0)),
(len(np.array(pd.read_csv("features/autoencoded_train_data.csv"))), 1, self.input_shape))
train_y = np.array(pd.read_csv("features/autoencoded_train_y.csv", index_col=0))
# train_stock = np.array(pd.read_csv("train_stock.csv"))
# train model
model.fit(train, train_y, epochs=2000)
实验结果
下面是几只公司股票的股价预测和实际值的对比情况，可以看出效果不错。
雪佛龙公司的MSE是2.11。
艾森克美孚公司的MSE是0.0945。
在线学习(online learning)
股价预测模型应该具有较好的online learning的能力，针对历史数据训练出来的模型训，应该在新的股价数据产生之后做出及时的更新。除了使用真实的股价数据来训练之外，还可以补充一些辅助数据，比如twitter中的推文和新闻中文章。推文数据和新闻文章中包含着大量和公司、股票走势相关的信息，针对这些信息可以做NLP分析(比如: 情感分析)。
获取全部Twitter推文的官方API是收费的，但幸运的是可以免费获取最近的10天数据。我们利用TextBlob 这个工具对这些推文数据做情感分析， 这部分数据对在线学习模型是非常有用的。
同样的，获取完整的新闻数据也是比较困难的，想从Bloomberg网站上爬取自2000年以来的所有文章几乎不可行。因此我们利用Aylien API 来获取数据，这个工具的爬虫功能很强大。我们只爬取了股票价格和金融新闻领域的数据，只保留了top150个站点的文章。所有的数据通过情感分析之后，按时间衰减算出平均值，送到在线学习的模型中去。
有了推文和新闻文章中情感分析数据，我们可以把这些数据加到神经网络的额外层中。不过在写作文本的时候，这部分模型的结果还没有准备完毕。
结论
神经网络是处理时间序列数据的非常有用的工具，再加上一些情感分析的数据就可以得到实际可用的模型。尽管目前的实验数据不错，后续我们还将进一步提升效果，希望最终可以变成一个可以完全自动化的模型。
群里已经分享了60篇干货
没有代码的量化都是耍流氓
在后台输入
1120
责任编辑：
神经网络预测股价python talib_用机器学习来预测股价（代码+文档）——iNTUtion决赛大作！...
