Makine Öğrenimi Kullanarak Hisse Senedi Piyasası Tahmini [Adım Adım Uygulama]

Tanıtım

Hisse senedi piyasasının tahmini ve analizi, yapılması en karmaşık görevlerden bazılarıdır. Bunun, piyasa oynaklığı ve piyasada belirli bir hisse senedinin değerine karar vermek için diğer birçok bağımlı ve bağımsız faktör gibi birkaç nedeni vardır. Bu faktörler, herhangi bir borsa analistinin yükselişi ve düşüşü yüksek doğruluk dereceleriyle tahmin etmesini çok zorlaştırıyor.

Ancak, Makine Öğreniminin ve sağlam algoritmalarının ortaya çıkmasıyla, en son piyasa analizi ve Borsa Tahmini gelişmeleri, borsa verilerini anlamada bu teknikleri birleştirmeye başladı.

Kısacası, Makine Öğrenimi Algoritmaları birçok kuruluş tarafından stok değerlerinin analizinde ve tahmin edilmesinde yaygın olarak kullanılmaktadır. Bu makale, Python'da birkaç Makine Öğrenimi Algoritması kullanarak Dünya Çapında Popüler Çevrimiçi Perakende Mağazasının stok değerlerini analiz etmenin ve tahmin etmenin basit bir Uygulamasından geçecektir.

Sorun bildirimi

Borsa değerlerini tahmin etmek için programın uygulamasına geçmeden önce, üzerinde çalışacağımız verileri görselleştirelim. Burada, National Association of Securities Dealers Automated Quotation'dan (NASDAQ) Microsoft Corporation'ın (MSFT) hisse senedi değerini analiz edeceğiz. Hisse senedi değeri verileri, Excel veya Elektronik Tablo kullanılarak açılıp görüntülenebilen Virgülle Ayrılmış Dosya (.csv) biçiminde sunulacaktır.

MSFT, NASDAQ'a kayıtlı hisse senetlerine sahiptir ve borsanın her iş günü içinde değerlerini güncelleştirmektedir. Pazarın cumartesi ve pazar günleri alım satım yapılmasına izin vermediğini unutmayın; dolayısıyla iki tarih arasında bir boşluk vardır. Her tarih için gün sonundaki Kapanış Değeri ile birlikte hisse senedinin Açılış Değeri, o hisse senedinin aynı günlerdeki En Yüksek ve En Düşük değerleri not edilir.

Düzeltilmiş Kapanış Değeri, hisse senedinin temettüler gönderildikten sonraki değerini gösterir (Çok teknik!). Ek olarak, piyasadaki hisse senetlerinin toplam hacmi de verilmiştir, Bu verilerle, verileri incelemek ve Microsoft Corporation hisse senedinin geçmişinden kalıpları çıkarabilen çeşitli algoritmaları uygulamak bir Makine Öğrenimi/Veri Bilimcisi'nin çalışmasına bağlıdır. veri.

Uzun Kısa Süreli Bellek

Microsoft Corporation'ın hisse senedi fiyatlarını tahmin etmek üzere bir Makine Öğrenimi modeli geliştirmek için Uzun Kısa Süreli Bellek (LSTM) tekniğini kullanacağız. Çarpma ve toplama yoluyla bilgilerde küçük değişiklikler yapmak için kullanılırlar. Tanım olarak, uzun süreli bellek (LSTM), derin öğrenmede kullanılan yapay bir tekrarlayan sinir ağı (RNN) mimarisidir.

Standart ileri beslemeli sinir ağlarının aksine, LSTM geri besleme bağlantılarına sahiptir. Tek veri noktalarını (görüntüler gibi) ve tüm veri dizilerini (konuşma veya video gibi) işleyebilir. LSTM'nin arkasındaki konsepti anlamak için, bir Cep Telefonunun çevrimiçi müşteri incelemesinden basit bir örnek alalım.

Diyelim ki Cep Telefonu satın almak istiyoruz, genellikle sertifikalı kullanıcılar tarafından yapılan net incelemelere başvuruyoruz. Onların düşünce ve girdilerine bağlı olarak, cep telefonunun iyi mi yoksa kötü mü olduğuna karar verir ve ardından satın alırız. İncelemeleri okumaya devam ederken, "muhteşem", "iyi kamera", "en iyi pil yedeği" gibi anahtar sözcükleri ve cep telefonuyla ilgili diğer birçok terimi arıyoruz.

İngilizcede yaygın olarak kullanılan “it”, “verdi”, “bu” gibi kelimeleri göz ardı etme eğilimindeyiz. Bu nedenle cep telefonu alıp almamaya karar verdiğimizde sadece yukarıda tanımlanan bu anahtar kelimeleri hatırlıyoruz. Büyük olasılıkla, diğer kelimeleri unutuyoruz.

Bu, Uzun Kısa Süreli Bellek Algoritmasının çalıştığı yöntemle aynıdır. Yalnızca ilgili bilgileri hatırlar ve alakasız verileri yok sayarak tahminler yapmak için kullanır. Bu şekilde, esasen sadece o hisse senedi hakkındaki temel verileri tanıyan ve aykırı değerleri dışarıda bırakan bir LSTM modeli oluşturmamız gerekiyor.

Kaynak

Bir LSTM mimarisinin yukarıda verilen yapısı ilk bakışta ilgi çekici görünse de, LSTM'nin, veri dizilerini işlemek için Belleği tutan Tekrarlayan Sinir Ağlarının gelişmiş bir versiyonu olduğunu hatırlamak yeterlidir. Kapı adı verilen yapılar tarafından dikkatlice düzenlenerek hücre durumuna bilgi ekleyebilir veya kaldırabilir.

LSTM birimi bir hücre, bir giriş kapısı, bir çıkış kapısı ve bir unutma kapısı içerir. Hücre keyfi zaman aralıklarında değerleri hatırlar ve üç kapı hücreye giren ve çıkan bilgi akışını düzenler.

Program Uygulaması

Python'da Machine Learning kullanarak stok değerini tahmin etmede LSTM'yi kullandığımız kısma geçeceğiz.

Adım 1 – Kitaplıkları İçe Aktarma

Hepimizin bildiği gibi, ilk adım, Microsoft Corporation'ın stok verilerini önceden işlemek için gerekli olan kitaplıkları ve LSTM modelinin çıktılarını oluşturmak ve görselleştirmek için gerekli diğer kitaplıkları içe aktarmaktır. Bunun için TensorFlow çerçevesi altındaki Keras kütüphanesini kullanacağız. Gerekli modüller Keras kitaplığından ayrı ayrı içe aktarılır.

#Kütüphaneleri İçe Aktarma

pandaları PD olarak içe aktar

NumPy'yi np olarak içe aktar

%matplotlib satır içi

matplotlib'i içe aktarın. plt olarak pyplot

matplotlib'i içe aktar

sklearn'den. Ön işleme içe aktarma MinMaxScaler

Keras'tan. katmanlar içe aktarılır LSTM, Yoğun, Bırakma

sklearn.model_selection'dan TimeSeriesSplit'i içe aktarın

sklearn.metrics'den ortalama_squared_error, r2_score'u içe aktarın

matplotlib'i içe aktarın. görev olarak tarihler

sklearn'den. Ön işleme içe aktarma MinMaxScaler

sklearn'den içe aktarma linear_model

Keras'tan. Modeller sıralı içe aktarma

Keras'tan. Katmanlar Yoğun içe aktarılıyor

Keras'ı içe aktarın. K olarak arka uç

Keras'tan. Geri aramalar EarlyStopping'i içe aktarır

Keras'tan. Optimize ediciler Adam'ı içe aktarır

Keras'tan. Modeller yük_modelini içe aktarır

Keras'tan. Katmanlar LSTM'yi içe aktarır

Keras'tan. utils.vis_utils import plot_model

Adım 2 – Verileri Görselleştirme

Pandas Data okuyucu kitaplığını kullanarak, yerel sistemin stok verilerini Virgülle Ayrılmış Değer (.csv) dosyası olarak yükleyeceğiz ve bir pandas DataFrame'e kaydedeceğiz. Son olarak, verileri de görüntüleyeceğiz.

#Veri Kümesini Alın

df = pd.read_csv(“MicrosoftStockData.csv”,na_values=['null'],index_col='Date',parse_dates=True,infer_datetime_format=Doğru)

df.head()

Kariyerinizi hızlandırmak için Dünyanın en iyi Üniversiteleri - Yüksek Lisanslar, Yönetici Yüksek Lisans Programları ve Makine Öğrenimi ve Yapay Zeka alanında İleri Düzey Sertifika Programından çevrimiçi olarak AI sertifikası alın .

Adım 3 – DataFrame Şeklini yazdırın ve Boş Değerleri Kontrol Edin.

Bu bir diğer önemli adımda, önce veri kümesinin şeklini yazdırıyoruz. Veri çerçevesinde boş değer olmadığından emin olmak için bunları kontrol ederiz. Veri kümesindeki boş değerlerin varlığı, eğitim sürecinde geniş bir varyansa neden olan aykırı değerler olarak hareket ettikleri için eğitim sırasında sorunlara neden olma eğilimindedir.

#Veri çerçevesi şeklini yazdır ve Boş Değerleri Kontrol Et

print(“Veri çerçevesi Şekli: “, df. şekil)

print(“Boş Değer Mevcut: “, df.IsNull().values.any())

>> Veri Çerçevesi Şekli: (7334, 6)

>>Null Value Present: False

Adım 4 – Gerçek Düzeltilmiş Kapanış Değerini Çizmek

Machine Learning modeli kullanılarak tahmin edilecek nihai çıktı değeri, Düzeltilmiş Kapanış Değeridir. Bu değer, hisse senedi piyasasının o belirli gününde hisse senedinin kapanış değerini temsil eder.

#Gerçek Adj Kapanış Değerini Çiz

df['Adj Kapat'].plot()

Adım 5 – Hedef Değişkenin Ayarlanması ve Özelliklerin Seçilmesi

Bir sonraki adımda çıktı sütununu hedef değişkene atadık. Bu durumda, Microsoft Hisse Senedi'nin ayarlanmış göreli değeridir. Ek olarak, hedef değişkene (bağımlı değişken) bağımsız değişken olarak hareket eden özellikleri de seçiyoruz. Eğitim amacını hesaba katmak için dört özellik seçiyoruz:

• Açık
• Yüksek
• Düşük
• Hacim

#Hedef Değişkeni Ayarla

output_var = PD.DataFrame(df['Adj Close'])

#Özellikleri Seçme

özellikler = ['Açık', 'Yüksek', 'Düşük', 'Ses Düzeyi']

Adım 6 – Ölçekleme

Tablodaki verilerin hesaplama maliyetini azaltmak için stok değerlerini 0 ile 1 arasındaki değerlere indireceğiz. Bu şekilde büyük sayılardaki tüm veriler azaltılarak bellek kullanımı azaltılır. Ayrıca, veriler çok büyük değerlere yayılmadığı için ölçeği küçülterek daha fazla doğruluk elde edebiliriz. Bu, sci-kit-learn kitaplığının MinMaxScaler sınıfı tarafından gerçekleştirilir.

#Ölçeklendirme

ölçekleyici = MinMaxScaler()

feature_transform = scaler.fit_transform(df[özellikler])

feature_transform= pd.DataFrame(columns=features, data=feature_transform, index=df.index)

feature_transform.head()

Yukarıda bahsedildiği gibi, öznitelik değişkenlerinin değerlerinin yukarıda verilen gerçek değerlere göre daha küçük değerlere ölçeklendiğini görüyoruz.

Adım 7 – Bir Eğitim Seti ve Test Setine Bölme.

Verileri eğitim modeline beslemeden önce, tüm veri setini eğitim ve test seti olarak ayırmamız gerekiyor. Machine Learning LSTM modeli, eğitim setinde bulunan veriler üzerinde eğitilecek ve doğruluk ve geri yayılım için test setinde test edilecektir.

Bunun için sci-kit-learn kütüphanesinin TimeSeriesSplit sınıfını kullanacağız. Bölme sayısını 10 olarak belirledik, bu da verilerin %10'unun test seti olarak kullanılacağını ve verilerin %90'ının LSTM modelini eğitmek için kullanılacağını ifade ediyor. Bu Zaman Serisi bölünmesini kullanmanın avantajı, bölünmüş zaman serisi veri örneklerinin sabit zaman aralıklarında gözlemlenmesidir.

#Eğitim setine ve Test setine bölme

timeplit= TimeSeriesSplit(n_splits=10)

train_index için, timesplit.split(feature_transform) içindeki test_index:

X_train, X_test = feature_transform[:len(train_index)], feature_transform[len(train_index): (len(train_index)+len(test_index))]

y_train, y_test = output_var[:len(train_index)].values.ravel(), output_var[len(train_index): (len(train_index)+len(test_index))].values.ravel()

Adım 8 – LSTM İçin Verilerin İşlenmesi

Eğitim ve test setleri hazır olduğunda, oluşturulduktan sonra verileri LSTM modeline besleyebiliriz. Bunun öncesinde eğitim ve test seti verilerini LSTM modelinin kabul edeceği bir veri tipine dönüştürmemiz gerekiyor. Önce eğitim verilerini ve test verilerini NumPy dizilerine dönüştürüyoruz ve ardından LSTM'nin verilerin 3D biçimde beslenmesini gerektirdiği için bunları biçime (Örnek Sayısı, 1, Özellik Sayısı) yeniden şekillendiriyoruz. Bildiğimiz gibi eğitim setindeki örnek sayısı 7334 olan 6667'nin %90'ı ve öznitelik sayısı 4'tür ve eğitim seti (6667, 1, 4) olarak yeniden şekillendirilir. Benzer şekilde test seti de yeniden şekillendirilir.

#LSTM için verileri işleyin

trenX =np.dizi(X_tren)

testX =np.dizi(X_test)

X_train = trainX.reshape(X_train.shape[0], 1, X_train.shape[1])

X_test = testX.reshape(X_test.shape[0], 1, X_test.shape[1])

Adım 9 – LSTM Modelini Oluşturma

Son olarak LSTM Modelini kurduğumuz aşamaya geliyoruz. Burada, bir LSTM katmanı ile bir Sıralı Keras modeli oluşturuyoruz. LSTM katmanı 32 birime sahiptir ve bunu 1 nörondan oluşan bir Yoğun Katman izler.

Modeli derlemek için kayıp fonksiyonu olarak Adam Optimizer ve Mean Squared Error kullanıyoruz. Bu ikisi, bir LSTM modeli için en çok tercih edilen kombinasyondur. Ek olarak, model de çizilir ve aşağıda görüntülenir.

#LSTM Modelini Oluşturma

lstm = Sıralı()

lstm.add(LSTM(32, input_shape=(1, trainX.shape[1]), activation='relu', return_sequences=Yanlış))

lstm.add(Yoğun(1))

lstm.compile(loss='mean_squared_error', optimizer='adam')

plot_model(lstm, show_shapes=Doğru, show_layer_names=Doğru)

Adım 10 – Modelin Eğitimi

Son olarak, yukarıda tasarlanan LSTM modelini, uyum işlevini kullanarak 8 parti boyutuyla 100 dönem için eğitim verileri üzerinde eğitiyoruz.

#Model Eğitimi

geçmiş = lstm.fit(X_train, y_train, epochs=100, batch_size=8, ayrıntılı=1, shuffle=Yanlış)

Dönem 1/100

834/834 [=============================] – 3s 2ms/adım – kayıp: 67.1211

Dönem 2/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 70.4911

Dönem 3/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 48.8155

Dönem 4/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 21.5447

Dönem 5/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 6.1709

Dönem 6/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 1.8726

Dönem 7/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.9380

Dönem 8/100

834/834 [=============================] – 2s 2ms/adım – kayıp: 0.6566

Dönem 9/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0,5369

Dönem 10/100

834/834 [=============================] – 2s 2ms/adım – kayıp: 0,4761

.

.

.

.

Dönem 95/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.4542

Dönem 96/100

834/834 [=============================] – 2s 2ms/adım – kayıp: 0.4553

Dönem 97/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.4565

Dönem 98/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.4576

Dönem 99/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.4588

Dönem 100/100

834/834 [=============================] – 1s 2ms/adım – kayıp: 0.4599

Son olarak 100 epochluk eğitim sürecinde kayıp değerinin zaman içinde katlanarak azaldığını ve 0,4599 değerine ulaştığını görüyoruz.

Adım 11 – LSTM Tahmini

Modelimiz hazır olduğunda, LSTM ağı kullanılarak eğitilen modeli test setinde kullanma ve Microsoft hissesinin Bitişik Kapanış Değerini tahmin etme zamanı gelmiştir. Bu, oluşturulan lstm modelinde basit tahmin işlevi kullanılarak gerçekleştirilir.

#LSTM Tahmini

y_pred= lstm.predict(X_test)

Adım 12 – Doğru ve Öngörülen Adj Kapanış Değeri – LSTM

Son olarak, test setinin değerlerini tahmin ettiğimiz gibi, hem Adj Close'un gerçek değerlerini hem de Adj Close'un LSTM Machine Learning modeli tarafından tahmin edilen değerini karşılaştırmak için grafiği çizebiliriz.

#True ve Öngörülen Adj Kapanış Değeri – LSTM

plt.plot(y_test, label='Gerçek Değer')

plt.plot(y_pred, label='LSTM Değeri')

plt.title(“LSTM ile Tahmin”)

plt.xlabel('Zaman Ölçeği')

plt.ylabel('Ölçekli USD')

plt.legend()

plt.göster()

Yukarıdaki grafik, yukarıda oluşturulmuş çok temel tek LSTM ağ modeli tarafından bazı modellerin algılandığını göstermektedir. Birkaç parametreye ince ayar yaparak ve modele daha fazla LSTM katmanı ekleyerek, herhangi bir şirketin hisse senedi değerinin daha doğru bir temsilini elde edebiliriz.

Çözüm

Yapay zeka örnekleri, makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, IIIT-B & upGrad'ın çalışan profesyoneller için tasarlanmış ve 450+ saatlik zorlu eğitim, 30'dan fazla vaka çalışması sunan Makine Öğrenimi ve Yapay Zeka alanında Yönetici PG Programına göz atın. & ödevler, IIIT-B Mezun statüsü, 5'ten fazla pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.