Блог

Я пытаюсь сделать предиктор акций, я знаю, что модель, которую я создам, не будет отличной, но тем не менее. Во-первых, ниже я добавлю код, который форматирует X и Y. X содержит цены на акции за 10 дней, Y содержит ответы (цены на следующие дни).

 import yfinance as yf
import numpy as np
import pandas as pd
import json
from sys import exit
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dropout
from keras.layers import Dense 



with open('/content/drive/MyDrive/tickers.json', 'r', encoding='utf-8') as f:
  tickers_list = eval(json.loads(f.read()))['tickers'][:100] # list of tickers


X = []
Y = []


for ticker in tickers_list:
   stock = yf.download(ticker,'1990-01-01','2019-12-31')['Adj Close'].values
   for i in range(len(stock)):
     try:
       stock[i 11]
     except:
       continue
     X.append(stock[i:i 10])
     Y.append([stock[i 11]])
X = np.array(X) #price for 10 days
Y = np.array(Y) #price for next day
 

После этого я написал код для создания модели.

 X_train = np.expand_dims(X, 1)

model = Sequential()
model.add(LSTM(units=64,return_sequences=True, input_shape=(10, 1)))
model.add(Dropout(0.2))
model.add(LSTM(units=64,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=64,return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=64))
model.add(Dropout(0.2))
model.add(Dense(units=1))
model.compile(optimizer='adam',loss='mean_squared_error')

print(model.summary())

model.fit(X_train, Y, epochs=100, batch_size=32)
 

Но когда я запустил приведенный выше код, я получил сообщение об ошибке.

 Input 0 is incompatible with layer sequential_17: expected shape=(None, None, 1), found shape=[None, 1, 10]
 

Как это исправить?
Спасибо.

Примечание. Если у вас есть какие-либо предложения, которые могли бы улучшить мои исследования, пожалуйста, напишите мне здесь.

Измените эту строку:

 X_train = np.expand_dims(X, 2) # 2 instead of 1
 

Я предлагаю вам использовать эту функцию для создания набора данных временных рядов. Ваш, включая обработку ошибок, кажется неоптимальным. Эта функция взята из прошлой версии официальной документации Tensorflow. Кроме того, кажется, что вы объединяете кучу временных рядов один за другим, что не имеет смысла.

 def univariate_data(dataset, start_index, end_index, history_size,
                    target_size, single_step=False):
    data, labels = [], []
    start_index = start_index   history_size
    if end_index is None:
        end_index = len(dataset) - target_size
    for i in range(start_index, end_index):
        indices = np.arange(i-history_size, i)
        data.append(np.reshape(dataset[indices], (history_size, 1)))
        if single_step:
            labels.append(dataset[i   target_size])
        else:
            labels.append(dataset[i:i   target_size])
    return np.array(data), np.array(labels)
 

Тогда вы даже не столкнетесь с проблемой, с которой столкнулись. Кроме того, обратите внимание, что вам не нужно печатать model.summary() , вызов этого метода автоматически печатает его. Вот полный рабочий пример с предоставленной мной функцией:

 import yfinance as yf
import numpy as np
import tensorflow as tf

stock = yf.download('aapl','1990-01-01','2019-12-31')['Adj Close'].values

def univariate_data(dataset, start_index, end_index, history_size,
                    target_size, single_step=False):
    data, labels = [], []
    start_index = start_index   history_size
    if end_index is None:
        end_index = len(dataset) - target_size
    for i in range(start_index, end_index):
        indices = np.arange(i-history_size, i)
        data.append(np.reshape(dataset[indices], (history_size, 1)))
        if single_step:
            labels.append(dataset[i   target_size])
        else:
            labels.append(dataset[i:i   target_size])
    return np.array(data), np.array(labels)

X, y = univariate_data(stock, 0, len(stock) - 1, 10, 1, True)

model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True,
                               input_shape=(10, 1)))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8,return_sequences=True))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.LSTM(units=8))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.Dense(units=1))
model.compile(optimizer='adam',loss='mean_squared_error')

model.summary()

history = model.fit(X, y, steps_per_epoch=1)
 

 7547/7547 [==============================] - 12s 2ms/sample - loss: 286.5788