[LSTM] 삼성전자 주식, 이더리움 시세 예측 (Python 딥러닝)

한이음 프로젝트에서 활용하는 LSTM 알고리즘 실습이다. 

아래의 유튜브 영상과 깃허브를 참고했다.

 

https://github.com/kairess/stock_crypto_price_prediction

GitHub - kairess/stock_crypto_price_prediction

https://youtu.be/sG_WeGbZ9A4

 

 

---

그래프에서 Prediction이 안보이는 문제 해결

처음에 코드를 작성했을 때 loss값과 val_loss값이 'nan'으로 나오고 그래프에는 True값만 출력되는 문제가 있었다. 

csv파일을 불러온 뒤,

data = data.dropna()

이 코드를 추가해주고 결측값이 사라지니 제대로 실행되었다.

 

---

삼성전자 주식 예측¶

https://youtu.be/sG_WeGbZ9A4
https://finance.yahoo.com/quote/005930.KS?p=005930.KS&.tsrc=fin-srch
https://github.com/kairess/stock_crypto_price_prediction
최근 5년간의 데이터

 

LSTM¶

• 이전 데이터를 가지고 이후의 데이터를 예측하는 인공지능 모델
• ex) 최근 50일간의 주식 가격 데이터를 바탕으로 내일 주식 가격은 얼마가 될 것인가?
• 인공지능이 기억력을 가지고 예측할 수 있다는 것이 장점
• 주식가격, 이더리움 가격 예측 가능

 

사용할 패키지¶

• pandas : csv파일 업로드
• numpy : 행렬 연산
• matplotlib.pyplot : 데이터 시각화
• keras : 딥러닝 모델 작성

In [1]:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import LSTM, Dropout, Dense, Activation
# from keras.callbacks import TensorBoard, ModelCheckpoint, ReduceLROnPlateau
import datetime

 

Load Dataset¶

In [2]:

# csv파일 로드
data = pd.read_csv('005930.KS.csv')
data = data.dropna()
# 데이터프레임 맨 앞의 5개 데이터 로드
data.head()

Out[2]:

	Date	Open	High	Low	Close	Adj Close	Volume
0	2016-08-09	31480.0	31580.0	31140.0	31340.0	27029.847656	9023200.0
1	2016-08-10	31340.0	31400.0	30680.0	30820.0	26581.367188	12340350.0
2	2016-08-11	30820.0	31180.0	30520.0	31180.0	26891.855469	10533600.0
3	2016-08-12	31180.0	31400.0	30880.0	30900.0	26650.367188	10474850.0
4	2016-08-16	30900.0	31520.0	30900.0	31360.0	27047.103516	10843100.0

 

Compute Mid Price¶

In [3]:

# 최고가와 최저가의 중간가격인 mid price 예측
high_prices = data['High'].values
low_prices = data['Low'].values
mid_prices = (high_prices + low_prices) / 2

 

Create Windows¶

• 총 51개의 데이터가 들어있는 window 생성
• 초록색의 50개 데이터를 보고 주황색 1개 데이터 예측

• 그 다음 window는 한칸씩 밀려나면서 만들어짐

In [4]:

# lstm의 기본 개념 : 최근 50일간의 데이터를 보고 내일 것을 예측한다
seq_len = 50  #window size : 최근 며칠을 볼 것이냐 
sequence_length = seq_len + 1  #window 한개에 51개의 데이터를 저장

result = []
for index in range(len(mid_prices) - sequence_length):
    result.append(mid_prices[index: index+sequence_length])

 

Normalize Data¶

In [5]:

normalized_data = []
# 정규화 : 각 window의 첫번째 값을 0으로 만들어주고 그것을 0으로 봤을 때의 비율들
for window in result:
    normalized_window = [((float(p) / float(window[0])) - 1) for p in window]
    normalized_data.append(normalized_window)

result = np.array(normalized_data)

# split train and test data
# training set 90%, test set 10%
row = int(round(result.shape[0] * 0.9))
train = result[:row, :]
np.random.shuffle(train) # 배열의 값을 랜덤으로 섞는다

# training set
x_train = train[:, :-1]  # window의 앞부분 50개
x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
y_train = train[:, -1]  # window의 마지막 1개

# test set
x_test = result[row:, :-1]
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))
y_test = result[row:, -1]  

x_train.shape, x_test.shape
# 1055일의 데이터를 가지고 학습해서 117일의 주식 가격을 예측하겠다는 의미

Out[5]:

((1055, 50, 1), (117, 50, 1))

 

Build a Model¶

In [6]:

# 모델을 순차적으로 정의하는 클래스
model = Sequential()
# LSTM layer
model.add(LSTM(50, return_sequences=True, input_shape=(50, 1)))

model.add(LSTM(64, return_sequences=False))

# Output(Dense) : 1개 
model.add(Dense(1, activation='linear'))

model.compile(loss='mse', optimizer='rmsprop')

model.summary()

 

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm (LSTM)                  (None, 50, 50)            10400     
_________________________________________________________________
lstm_1 (LSTM)                (None, 64)                29440     
_________________________________________________________________
dense (Dense)                (None, 1)                 65        
=================================================================
Total params: 39,905
Trainable params: 39,905
Non-trainable params: 0
_________________________________________________________________

 

Training¶

In [7]:

model.fit(x_train, y_train,
    validation_data=(x_test, y_test),
    batch_size=10,
    epochs=20)

# validation loss가 작을수록 학습이 잘 되는 것

 

Epoch 1/20
106/106 [==============================] - 20s 105ms/step - loss: 0.0040 - val_loss: 2.1804e-04
Epoch 2/20
106/106 [==============================] - 6s 61ms/step - loss: 0.0011 - val_loss: 1.8035e-04
Epoch 3/20
106/106 [==============================] - 6s 59ms/step - loss: 7.8544e-04 - val_loss: 3.7908e-04
Epoch 4/20
106/106 [==============================] - 6s 61ms/step - loss: 7.0002e-04 - val_loss: 1.1596e-04
Epoch 5/20
106/106 [==============================] - 6s 61ms/step - loss: 5.2862e-04 - val_loss: 1.9099e-04
Epoch 6/20
106/106 [==============================] - 6s 60ms/step - loss: 3.5870e-04 - val_loss: 2.0593e-04
Epoch 7/20
106/106 [==============================] - 6s 58ms/step - loss: 3.3035e-04 - val_loss: 2.0602e-04
Epoch 8/20
106/106 [==============================] - 6s 54ms/step - loss: 4.0461e-04 - val_loss: 2.0616e-04
Epoch 9/20
106/106 [==============================] - 6s 60ms/step - loss: 3.3083e-04 - val_loss: 3.9752e-04
Epoch 10/20
106/106 [==============================] - 6s 60ms/step - loss: 4.0810e-04 - val_loss: 8.1282e-05
Epoch 11/20
106/106 [==============================] - 6s 54ms/step - loss: 2.9579e-04 - val_loss: 1.2683e-04
Epoch 12/20
106/106 [==============================] - 6s 58ms/step - loss: 2.9527e-04 - val_loss: 1.5865e-04
Epoch 13/20
106/106 [==============================] - 6s 59ms/step - loss: 3.2595e-04 - val_loss: 8.4786e-05ETA: 0s - loss: 3.2787e-0 - ETA: 0s - loss: 3.
Epoch 14/20
106/106 [==============================] - 6s 61ms/step - loss: 3.1336e-04 - val_loss: 3.3271e-04
Epoch 15/20
106/106 [==============================] - 6s 60ms/step - loss: 3.4975e-04 - val_loss: 4.2570e-04
Epoch 16/20
106/106 [==============================] - 6s 59ms/step - loss: 3.0487e-04 - val_loss: 1.4057e-04
Epoch 17/20
106/106 [==============================] - 6s 56ms/step - loss: 3.0041e-04 - val_loss: 1.9588e-04
Epoch 18/20
106/106 [==============================] - 6s 58ms/step - loss: 2.9505e-04 - val_loss: 2.9022e-04
Epoch 19/20
106/106 [==============================] - 6s 60ms/step - loss: 2.9568e-04 - val_loss: 1.0220e-04
Epoch 20/20
106/106 [==============================] - 6s 60ms/step - loss: 2.7615e-04 - val_loss: 1.5310e-04 - l - ET

Out[7]:

<tensorflow.python.keras.callbacks.History at 0x27fc2611940>

 

Prediction¶

In [8]:

# 모델이 잘 학습되었는지 검증하고 그래프 그리기 

pred = model.predict(x_test)  # 모델을 사용하여 예측한다

fig = plt.figure(facecolor='white', figsize=(20, 10))
ax = fig.add_subplot(111)
ax.plot(y_test, label='True')
ax.plot(pred, label='Prediction')
ax.legend()
plt.show()

 

 

 

 

---

 

 

🌞 이더리움 시세 예측도 같은 원리로 진행하면 된다. 

🌞 만약 50일의 데이터를 가지고 3일치를 예측하고 싶다면, 데이터셋을 50+3으로 만든 뒤 출력도 3으로 하면 된다.

 

 

https://github.com/ssongplay/AIANC_2021/tree/main/STUDY/LSTM_0809

GitHub - ssongplay/AIANC_2021: 한이음 ICT멘토링 프로젝트