RNN(LSTM)入門2日目。依然として、全然わかりません。
このあたりが自分のスキルの限界なのかもしれない。Udacity DLNDで株の値動きの予測をする動画が紹介された。
FXのシステムトレードを以前やっていたので、ディープラーニングで学んだことが生かせればいいなと思い、株を為替に置き換えて、LSTMで為替の値動きの予測をしてみた。
この記事は以下の記事をベースに書いている。
また、以下のkaggleコンペのkernelsも大いに参考にした。
準備
まずは、為替データを準備する。以下のサイトから、2017/4/24 の USD/JPY の 10分刻みのデータをダウンロードする。
githubにも使用したデータをアップロードした。
環境
- TensorFlow 1.1.0
- Keras 2.0.2
LSTM Network for Regression
チュートリアルにしたがって順にコードを書いていく。
from __future__ import print_function
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.models import Sequential
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt
import math
# parameters to be set
look_back = 1
epochs = 30
batch_size = 1
# fix random seed for reproducibility
np.random.seed(7)
PrePare Data¶
# read all prices using panda
dataframe = pd.read_csv('USDJPY_Candlestick_10_m_BID_24.04.2017-25.04.2017.csv',
header=)
dataframe.head()
dataset = dataframe['Close']
# reshape to column vector
#close_prices = close.values.reshape(len(close), 1)
dataset = dataset.values
dataset = dataset.astype('float32')
close_prices = dataset.reshape((-1,1))
ここで、データを0~1の間に正規化する。scikit-learnにMinMaxScalerという便利な関数があって、fit_transformとすると、正規化できる。戻すときは、inverse_transformをコールする。
# normalize the dataset
scaler = MinMaxScaler(feature_range=(, 1))
close_prices = scaler.fit_transform(close_prices)
訓練用データを 2/3, テスト用データを 1/3に分ける。
# split data into training set and test set
train_size = int(len(close_prices) * 0.67)
test_size = len(close_prices) - train_size
train, test = close_prices[:train_size,:], close_prices[train_size:len(close_prices),:]
print(‘Split data into training set and test set… Number of training samples/ test samples:', len(train), len(test))
create_dataset()で訓練用のラベルを生成する。現在のデータから一つ先(look_back=1)のデータ、つまり10分後の値動きを予想する。
ちなみにこの関数は便利で、look_backを2にすると、２つ前のデータ、つまり現在と10分前のデータから10分後のデータを予測することができる。look_backパラメータを調整することで、過去のデータから10分後のデータを予測できる。これを元の記事では、Window Methodと書いてある。
# convert an array of values into a time series dataset
# in form
# X Y
# t-look_back+1, t-look_back+2, ..., t t+1
def create_dataset(dataset, look_back):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[i:(i+look_back), ]
dataX.append(a)
dataY.append(dataset[i + look_back, ])
return np.array(dataX), np.array(dataY)
# convert Apple’s stock price data into time series dataset
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
(trainX.shape, trainY.shape, testX.shape, testY.shape)
# reshape input of the LSTM to be format [samples, time steps, features]
trainX = np.reshape(trainX, (trainX.shape[], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[], 1, testX.shape[1]))
(trainX.shape, testX.shape)
Build Model & Training¶
Kerasを利用してLSTMネットワークのモデルを作り、トレーニングを実施する。
# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=epochs, batch_size=batch_size,verbose=2)
Predict¶
# make predictions
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)
# invert predictions and targets to unscaled
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])
# calculate root mean squared error
trainScore = math.sqrt(mean_squared_error(trainY[], trainPredict[:,]))
print('Train Score: %.5f RMSE' % (trainScore))
testScore = math.sqrt(mean_squared_error(testY[], testPredict[:,]))
print('Test Score: %.5f RMSE' % (testScore))
# shift predictions of training data for plotting
trainPredictPlot = np.empty_like(close_prices)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
# shift predictions of test data for plotting
testPredictPlot = np.empty_like(close_prices)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(close_prices)-1, :] = testPredict
# plot baseline and predictions
plt.plot(scaler.inverse_transform(close_prices))
plt.plot(trainPredictPlot)
plt.plot(testPredictPlot)
plt.show()
予測結果は上の図。あまりにフィットしすぎて、なんかウソっぽいけれども、一応これが結果。
ちなみに、元の記事だとこの先もあるが、stepや state, stacked LSTMs が読んでもよくわからなかった。もう少し時間が必要。
- How to create an LSTM for a regression and a window formulation of the time series problem.
- How to create an LSTM with a time step formulation of the time series problem.
- How to create an LSTM with state and stacked LSTMs with state to learn long sequences.
元記事を元に試してみたけれども、修正を加えるたびに精度が悪くなっていくのだった。
おわりに¶
LSTMを FXのストラテジに応用できるか考えてみたのだけれども、よいストラテジが思いつかない。
単純に回帰ならば、LSTMを使わなくてももっと簡単な方法がある。
トレーニングに時間がかかるので、リアルタイムに過去のデータを処理して未来の値を予測できるのか？
とはいえ、面白い話題なので、もう少し調べてみる。