【干货】基于TensorFlow卷积神经网络的短期股票预测

【导读】近期，意大利公数据科学家Mattia Brusamento撰写了基于Tensorflow卷积网络的

短期股票预测教程，在这篇博文中，你将会看到使用卷积神经网络进行股票市场预测的一个应用案例，主要是使用CNN将股票价格与情感分析结合，来进行股票市场预测，CNN网络通过TensorFlow实现。博文一步步展示了从数据集创建、CNN训练以及对模型评估等等入手，带你进入基于TensorFlow实现的股票市场预测分析。

▌摘要

在机器学习中，卷积神经网络(CNN)是已经成功地应用于计算机视觉任务中的一类神经网络。在这个项目中，我将使用CNN将股票价格与情感分析结合，来进行股票市场预测。本文CNN网络的实现是利用TensorFlow来实现的。在本文中，我将按以下步骤进行阐述：数据集创建、CNN训练和对模型评估。

• 数据集：

在本节中，简要描述了构建数据集、数据源和情感分析的过程。

• Tick 数据（买单/买单数据）

为了构建数据集，我首先选择了一个行业，然后专注于研究该行业。我决定选取卫生健康领域在2016年1月4日至2017年9月30日期间数据，并将它们分为训练集和评估集。特别值得一提的是，这些Tick 数据是从nasdaq.com网站上下载的，只保留那些非常大或中等市值的公司。从这些Tick 数据开始，股票和新闻数据分别使用Google财经和内部的API进行检索。

• 股票数据：

正如前面提到的，从Google财经历史API中检索股票数据。

"https://finance.google.com/finance/historical?q={tick}&startdate={startdate}&output=csv",（对于表中的每个tick）

时间单位是一天，我所保留的值是收盘价。为了训练，使用线性插值（pandas.DataFrame.interpolate）填充缺失的天数：

• 新闻数据和情感分类：

为了检索新闻，我使用intrinio的API。对于每个tick，我从“https://api.intrinio.com/news.csv?ticker={tick}”下载相关的新闻数据。数据以csv格式显示，如下图:

TICKER,FIGI_TICKER,FIGI,TITLE,PUBLICATION_DATE,URL,SUMMARY，例子如下

我们会根据标题已经删除了重复的新闻。最后，TICKER, PUBLICATION_DATE 和 SUMMARY列被保留。

情绪分析在SUMMARY列上进行，使用Loughran和McDonald 金融情感字典进行金融情绪分析，在pythonntiment python库中实现。

这个库提供了一个tokenizer，它也执行词干还原和停用词的删除，以及一个标记化的文本评分的方法。从get_score方法中选择的作为情感代理的值是对立的，计算公式如下：

import pysentiment as ps
 
lm = ps.LM()
df_news['SUMMARY_SCORES'] =df_news.SUMMARY.map(lambda x: lm.get_score(lm.tokenize(str(x))))
df_news['POLARITY'] =df_news['SUMMARY_SCORES'].map(lambda x: x['Polarity'])

没有新闻的日期用0极性填充。

最后，数据被TICK和日期分组，总结了TICK有多个消息的日期的极性分数。

• 完整数据集：

通过合并股票和新闻数据，我们得到如下的数据集，从2016-01-04到2017-09-30的所有日期划分为154个刻度，并且股票的收盘价和极性值分别为：

• 基于TensorFlow的CNN：

为了在Tensorflow中实现卷积神经网络，我使用了官方教程作为参考。

（https://www.tensorflow.org/tutorials/layers）

它展示了如何使用层来构建卷积神经网络模型并识别MNIST数据集中的手写数字。为了应用于我们的工作，我们需要调整我们的输入数据和网络。

• 数据建模：

输入数据这样来建模：单个特征元素是一个154x100x2张量:

• 154ticks
• 100个连续交易日
• 2个通道，一种是股票价格，一种是极性值

Lables被建模为长度154的向量，如果第二天的股票价格上升，其中每个元素都是1，否则是0。

这样，就有了一个包含100天的时间滑动窗口，所以前100天不能用作标签。训练集包含435个条目，而评估集数目为100。

• 基卷积神经网络：

已经从TensorFlow教程的例子开始构建CNN，然后使之适用于我们的任务。前两层卷积层和pooling层的高度都等于1，因此它们对单个股票进行卷积和汇集，最后一层的高度等于154，以了解股票之间的相关性。最后是密集层，最后一个长度为154，每个股票对应一个。网络的规模可以用笔记本电脑在数据集上进行几个小时的训练。部分代码如下：

• 评估：

为了评估模型的性能，我们没有使用标准的度量方法，但是已经建立了一个更接近于模型实际应用的模拟。

该模型的一个良好的baseline已经在N = 154中被确定：这代表了所有股票的通用表现，它模拟了我们在所有股票上平均分配资本的情景。这产生了大约4.27％的收益。

出于评估的目的，数据已经得到纠正，消除了市场关闭的日期。

对于不同N的取值，模型性能表现如下图：

红色虚线表示的是0基线，而橙色的线是N=154的基线。最好的表现是在N=12的情况下获得的，其收益约为8.41%，几乎是市场基线的两倍。对于几乎每个大于10的N，都有一个不错的表现，都比基线好，而N太小会降低性能。

• 结论：

第一次尝试Tensorflow和CNN并将其应用到财务数据中是非常有趣的。这是一个玩具型例子（非实用性的），使用相当小的数据集和网络结构，但它显示了这个模型的潜力。

请随时提供反馈和意见，或在LinkedIn上与我联系。

• 个人简历：

Mattia获得了米兰理工大学计算机（ComputerEngineering from Politecnico di Milano）工程硕士学位，之后在代尔夫特理工大学（TUDelft）从事推荐系统。Mattia现在在一家意大利公司担任网络安全领域的数据科学家。

▌相关文献

• Understanding Deep Convolutional Neural Networks with a practical use-case in Tensorflow and Keras
• Exploring Recurrent Neural Networks
• Data Scientist: The Hottest Job on Wall Street

参考链接：

https://www.kdnuggets.com/2017/12/tensorflow-short-term-stocks-prediction.html