PythonとTensorFlowを使ったLSTMのチュートリアル

pip install yfinance

import yfinance as yf
import pandas as pd

# 例としてAppleの株価データを取得
ticker = 'AAPL'  # Appleのティッカーシンボル
data = yf.download(ticker, start='2015-01-01', end='2023-12-01')

# 株価データを表示
print(data.head())

import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 'Close'列だけを使用
close_data = data['Close'].values.reshape(-1, 1)

# 正規化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(close_data)

# データを訓練用とテスト用に分割
train_size = int(len(scaled_data) * 0.8)
train_data = scaled_data[:train_size]
test_data = scaled_data[train_size:]

# 時系列データをLSTMの入力形式に変換
def create_dataset(data, time_step=60):
    X, y = [], []
    for i in range(len(data) - time_step - 1):
        X.append(data[i:(i + time_step), 0])
        y.append(data[i + time_step, 0])
    return np.array(X), np.array(y)

# 訓練データとテストデータを作成
time_step = 60  # 60日分のデータを使用
X_train, y_train = create_dataset(train_data, time_step)
X_test, y_test = create_dataset(test_data, time_step)

# 入力データの形状をLSTMに合わせる
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

print(X_train.shape, X_test.shape)

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

# LSTMモデルの構築
model = Sequential()

# LSTM層を追加（50ユニット、シーケンシャルなデータ）
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(Dropout(0.2))  # 過学習防止のためのDropout層

model.add(LSTM(units=50, return_sequences=False))
model.add(Dropout(0.2))

model.add(Dense(units=1))  # 出力層（予測値）

# モデルをコンパイル
model.compile(optimizer='adam', loss='mean_squared_error')

# モデルの要約を表示
model.summary()

# モデルを訓練
history = model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test))

# 訓練の結果を表示
import matplotlib.pyplot as plt

plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.show()

# テストデータで予測
predictions = model.predict(X_test)

# 予測結果を逆正規化
predictions = scaler.inverse_transform(predictions)
y_test_actual = scaler.inverse_transform(y_test.reshape(-1, 1))

# 結果を可視化
plt.plot(y_test_actual, color='blue', label='Actual Stock Price')
plt.plot(predictions, color='red', label='Predicted Stock Price')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Stock Price')
plt.legend()
plt.show()