Script:Python:StockPriceForecast
目次
Python/株価予測
はじめに
機械学習用の株価予測で使用したスクリプトです。
以下の情報から、予測したい銘柄の明日の株価予測をしています。
・ダウ平均株価
・日経先物株価
・予測したい銘柄の株価
スクリプト
#モジュールの読み込み import pandas as pd from sklearn.model_selection import train_test_split import numpy as np from keras.models import Sequential from keras.layers import Dense, Activation from keras import optimizers from keras.layers.core import Dropout import matplotlib.pyplot as plt from sklearn.metrics import mean_squared_error from keras.callbacks import EarlyStopping, LearningRateScheduler from sklearn.metrics import r2_score from sklearn.preprocessing import StandardScaler import matplotlib.dates as dates # CSVファイルの読み込み DJI = pd.read_csv("^DJI.csv", parse_dates=['Date'], index_col=0, encoding='cp932', engine='python') #csvデータを読み込む CME = pd.read_csv("NIY=F.csv", parse_dates=['Date'], index_col=0, encoding='cp932', engine='python') #csvデータを読み込む Target = pd.read_csv("8267.T.csv", parse_dates=['Date'], index_col=0, encoding='cp932', engine='python') #csvデータを読み込む # 株価の日付調整(時差を考慮) Target = Target.shift(-1) # CME = CME.shift(-1) # データの結合をする join_data1 = pd.merge(CME[["Adj Close"]], DJI[["Adj Close"]], on="Date", how = "left") join_data1 = pd.merge(join_data1, Target [["Adj Close"]], on="Date", how = "left") # 欠損データを直前の値(行)で補完 join_data1 = join_data1.fillna(method='ffill') # 値動きの差分を取得 join_data2 = join_data1.diff() # 欠損データ(行)を削除する join_data3 = join_data2.dropna(how='any', axis=0) # 株価の日付調整(時差を考慮) join_data3 = join_data3[:-1] # データセットの標準化(ただのメモ) """ scaler = StandardScaler() scaler.fit(join_data3) join_data3 = scaler.transform(join_data3) """ # データの分割 (train, test) = train_test_split(join_data3, test_size=0.4, shuffle=True) # 訓練用データ、評価データ x_train = train.iloc[:, [0, 1]] y_train = train.iloc[:, [2]] # テストデータ x_test = test.iloc[:, [0, 1]] y_test = test.iloc[:, [2]] # 入力層のunit数 input_units = 2 # 出力層のunit数 output_units = 1 # 学習回数、バッチサイズ epochs = 100 batch = 16 # モデルの構築 model = Sequential() model.add(Dense(input_units, input_dim=len(x_train.columns))) model.add(Activation("linear")) model.add(Dense(output_units)) model.summary() optimizer = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=0, decay=0.0, amsgrad=False) #optimizer = optimizers.Adagrad(lr=0.01, decay=0.0) model.compile(loss='mean_squared_error', optimizer=optimizer) # 学習オプション history = model.fit(x_train, y_train, verbose=2, epochs=epochs, batch_size=batch, validation_data=(x_test, y_test)) # 株価の日付調整 join_data3 = join_data3.shift(freq='D') # 実データ infact_data = join_data3.iloc[:, [2]] infact_data = infact_data.tail(30) # 予測データ join_data3 = join_data3.tail(30) predict_data1 = pd.DataFrame(model.predict(join_data3.iloc[:, [0, 1]])) predict_data2 = pd.DataFrame(model.predict(join_data2.iloc[[-1], [0, 1]])) print("指定株式の株価は" + str('{:.2f}'.format(predict_data2.iloc[0,0])) + "円上昇する見込みです。") # Infact(実データ)とPredicted(予測データ)をグラフに表示 fig, ax = plt.subplots(figsize=(12,6)) ax.set_title('実データと予測データ', fontname="MS Gothic") # 実データ ax.plot(join_data3.index, infact_data, 'b', alpha=0.6, marker='.', label='Infact', linewidth=1) # 予測データ ax.plot(join_data3.index, predict_data1, 'r', alpha=0.6, marker='.', label='Predicted', linewidth=1) ax.tick_params(axis='x', labelrotation= 90) ax.xaxis.set_major_locator(dates.DayLocator(bymonthday=None, interval=1, tz=None)) ax.legend() ax.grid(True) plt.show() # model.reset_states()
実行結果
実行結果は以下のようになります。
Script/Python/StockPriceForecast.txt · 最終更新: 2022/05/27 by 127.0.0.1