編者按：本文將介紹如何基于Keras和Tensorflow，用LSTM進行時間序列預測。文章數(shù)據(jù)來自股票市場數(shù)據(jù)集，目標是提供股票價格的動量指標。

GitHub：github.com/jaungiers/LSTM-Neural-Network-for-Time-Series-Prediction

什么是LSTM？

自提出后，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)架構(gòu)一直沒法解決一些基礎(chǔ)問題，比如解釋依賴于信息和上下文的輸入序列。這些信息可以是句子中的某些單詞，我們能用它們預測下一個單詞是什么；也可以是序列的時間信息，我們能基于時間元素分析句子的上下文。

簡而言之，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)每次只會采用獨立的數(shù)據(jù)向量，它沒有一個類似“記憶”的概念，用來處理和“記憶”有關(guān)各種任務(wù)。

為了解決這個問題，早期提出的一種方法是在網(wǎng)絡(luò)中添加循環(huán)，得到輸出值后，它的輸入信息會通過循環(huán)被“繼承”到輸出中，這是它最后看到的輸入上下文。這些網(wǎng)絡(luò)被稱為遞歸神經(jīng)網(wǎng)絡(luò)（RNN）。雖然RNN在一定程度上解決了上述問題，但它們還是存在相當大的缺陷，比如在處理長期依賴性問題時容易出現(xiàn)梯度消失。

這里我們不深入探討RNN的缺陷，我們只需知道，既然RNN這么容易梯度消失，那么它就不適合大多數(shù)現(xiàn)實問題。在這個基礎(chǔ)上，Hochreiter＆Schmidhuber于1997年提出了長期短期記憶網(wǎng)絡(luò)（LSTM），這是一種特殊的RNN，它能使神經(jīng)元在其管道中保持上下文記憶，同時又解決了梯度消失問題。具體工作原理可讀《一文詳解LSTM網(wǎng)絡(luò)》。

上圖是LSTM的一個典型內(nèi)部示意圖，它由若干節(jié)點和若干操作組成。其中，操作充當輸入門、輸出門和遺忘門，為節(jié)點狀態(tài)提供信息。而節(jié)點狀態(tài)負責在網(wǎng)絡(luò)中記錄長期記憶和上下文。

一個簡單的正弦曲線示例

為了演示LSTM在預測時間序列中的作用，我們先從最基礎(chǔ)的開始：一個時間序列——標準正弦曲線。

代碼數(shù)據(jù)文件夾中提供的數(shù)據(jù)包含我們創(chuàng)建的sinewave.csv文件，該文件包含5001個正弦曲線時間段，幅度和頻率為1（角頻率為6.28），時間差為0.01。它的圖像如下所示：

正弦曲線數(shù)據(jù)集

有了數(shù)據(jù)，接下來就是實現(xiàn)目標。在這個任務(wù)中，我們希望LSTM能根據(jù)提供的數(shù)據(jù)學習正弦曲線，并預測此后的N步，持續(xù)輸出曲線。

為了做到這一點，我們需要先對CSV文件中的數(shù)據(jù)進行轉(zhuǎn)換，把處理后的數(shù)據(jù)加載到pandas的數(shù)據(jù)框架中。之后，它會輸出numpy數(shù)組，饋送進LSTM。Keras的LSTM一般輸入(N, W, F)三維numpy數(shù)組，其中N表示訓練數(shù)據(jù)中的序列數(shù)，W表示序列長度，F(xiàn)表示每個序列的特征數(shù)。

在這個例子中，我們使用的序列長度是50（讀取窗口大小），這意味著網(wǎng)絡(luò)能在每個序列中都觀察到完整的正弦曲線形狀，便于學習。

序列本身是滑動窗口，因此如果我們每次只移動1，所得圖像其實和先前的圖像是完全一樣的。下面是我們在示例中截取的窗口圖像：

為了加載這些數(shù)據(jù)，我們在代碼中創(chuàng)建了一個DataLoader類。你可能會注意到，在初始化DataLoader對象時，會傳入文件名、傳入確定用于訓練與測試的數(shù)據(jù)百分比的拆分變量，以及允許選擇一列或多列數(shù)據(jù)的列變量用于單維或多維分析。

當我們有一個允許加載數(shù)據(jù)的數(shù)據(jù)對象之后，就是時候準備構(gòu)建深層神經(jīng)網(wǎng)絡(luò)模型了。我們的代碼框架利用模型類型和config.json文件，再加上存儲在配置文件中的架構(gòu)和超參數(shù)，可以輕松構(gòu)建出模型。其中執(zhí)行構(gòu)建命令的主要函數(shù)是build_model()，它負責接收解析的配置文件。

這個函數(shù)的代碼如下所示，它可以輕松擴展，以便用于更復雜的架構(gòu)。

加載數(shù)據(jù)并建立模型后，現(xiàn)在我們可以用訓練數(shù)據(jù)訓練模型。如下代碼所示，我們創(chuàng)建了一個單獨的運行模塊，它會利用我們的模型和DataLoader一起訓練，輸出預測結(jié)果和可視化。

對于輸出，我們會進行兩種類型的預測：一是逐點預測，即先讓模型預測單個點的值，在圖中繪出位置，然后移動滑動窗口，用完整的測試數(shù)據(jù)預測下個點的值。二是預測一個完整序列，即只用訓練數(shù)據(jù)的第一部分初始化一次訓練窗口，然后就像逐點預測一樣，不斷移動滑動窗口并預測下一個點。

和第一種做法不同的是，第二種做法是在用預測所得的數(shù)據(jù)進行預測，即在第二次預測時，模型所用數(shù)據(jù)中有一個數(shù)據(jù)點（最后一個點）來自之前的預測；第三次預測時，數(shù)據(jù)中就有兩個點來自之前的預測……以此類推，到第50次預測時，測試集里的數(shù)據(jù)已經(jīng)完全是預測的數(shù)據(jù)。這意味著模型可預測的時間序列被大大延長。

逐點預測結(jié)果

完整序列預測結(jié)果

作為參考，你可以在下面的配置文件中看到用于正弦曲線示例的網(wǎng)絡(luò)架構(gòu)和超參數(shù)。

我們可以從上面兩幅圖中發(fā)現(xiàn)，如果用第二種方法進行預測，隨著測試集中被不斷加入新的預測數(shù)據(jù)點，模型的性能會漸漸下降，預測結(jié)果和真實結(jié)果的誤差越來越大。但正弦函數(shù)是一個非常簡單的零噪聲震蕩函數(shù)，總體來看，我們的模型在沒有過擬合的同時還是能很好的模型曲線大致情況的。

接下來，就讓我們在股票數(shù)據(jù)上試試LSTM。

沒那么簡單的股票市場

很多股民都做過這樣一個夢：如果我能準確預測大盤走向，那一夜暴富豈不是手到擒來？但一覺醒來，現(xiàn)實是殘酷的，預測這件事并不像數(shù)字模擬那么簡單。

和正弦曲線不同，股票市場的時間序列并不是某個特定靜態(tài)函數(shù)的映射，它最明顯的屬性是隨機性。真正的隨機是不可預測的，也沒有預測的價值，但是，很多人相信股票市場不是一個純粹的隨機市場，它的時間序列可能存在某種隱藏模式。而根據(jù)上文的介紹，LSTM無疑是捕捉這種長期依賴關(guān)系的一個好方法。

下文使用的數(shù)據(jù)是Github數(shù)據(jù)文件夾中的sp500.csv文件。此文件包含2000年1月至2018年9月的標準普爾500股票指數(shù)的開盤價、最高價、最低價、收盤價以及每日交易量。

在第一個例子中，正弦曲線的取值范圍是-1到1，這和股票市場不同，收盤價是個不斷變化的絕對價格，這意味著如果我們不做歸一化處理就直接訓練模型，它永遠不會收斂。

為了解決這個問題，我們設(shè)訓練/測試的滑動窗口大小為n，對每個窗口進行歸一化，以反映從該窗口開始的百分比變化。

n = 價格變化的歸一化列表[滑動窗口]

p = 調(diào)整后每日利潤的原始列表[滑動窗口]

歸一化：ni= pi/p0- 1

反歸一化：pi= p0( ni+ 1)

處理完數(shù)據(jù)后，我們就可以和之前一樣運行模型。但是，我們做了一個重要的修改：不使用model.train() ，而是用model.traingenerator()。這樣做是為了在處理大型數(shù)據(jù)集時節(jié)約內(nèi)存，前者會把完整數(shù)據(jù)集全部加載到內(nèi)存中，然后一個窗口一個窗口歸一化，容易內(nèi)存溢出。此外，我們還調(diào)用了Keras的fitgenerator()函數(shù)，用python生成器動態(tài)訓練數(shù)據(jù)集來繪制數(shù)據(jù)，進一步降低內(nèi)存負擔。

在之前的例子中，逐點預測的結(jié)果比完整序列預測更精確，但這有點欺騙性。在這種情況下，除了預測點和最后一次預測的數(shù)據(jù)點之間的距離，神經(jīng)網(wǎng)絡(luò)其實不需要了解時間序列本身，因為即便它這次預測錯誤了，在進行下一次預測時，它也只會考慮真實結(jié)果，完全無視自己的錯誤，然后繼續(xù)產(chǎn)生錯誤預測。

雖然這聽起來不太妙，但其實這種方法還是有用的，它至少能反映下一個點的范圍，可用于波動率預測等應用。

逐點預測結(jié)果

接著是完整序列預測，在正弦曲線那個例子中，這種方法的偏差雖然越來越大，但它還是保留了整體波動形狀。如下圖所示，在復雜的股票價格預測中，它連這個優(yōu)勢都沒了，除了剛開始橙線略有波動，它預測的整體趨勢是一條水平線。

完整序列預測結(jié)果

最后，我們對該模型進行了第三種預測，我將其稱為多序列預測。這是完整序列預測的混合產(chǎn)物，因為它仍然使用測試數(shù)據(jù)初始化測試窗口，預測下一個點，然后用下一個點創(chuàng)建一個新窗口。但是，一旦輸入窗口完全由過去預測點組成，它就會停止，向前移動一個完整的窗口長度，用真實的測試數(shù)據(jù)重置窗口，然后再次啟動該過程。

實質(zhì)上，這為測試數(shù)據(jù)提供了多個趨勢線預測，以便我們評估模型對未知數(shù)據(jù)的預測性能。

多序列預測結(jié)果

如上圖所示，神經(jīng)網(wǎng)絡(luò)似乎正確地預測了絕大多數(shù)時間序列的趨勢（和趨勢幅度），雖然不完美，但它確實表明LSTM在時間序列問題中確實有用武之地。

結(jié)論

雖然本文給出了LSTM應用的一個示例，但它只觸及時間序列預測問題的表面。現(xiàn)如今，LSTM已成功應用于眾多現(xiàn)實問題，從文本自動糾正、異常檢測、欺詐檢測到自動駕駛汽車技術(shù)開發(fā)。

它還存在一些局限性，特別是在金融時間序列任務(wù)上，通常這類任務(wù)很難建模。此外，一些基于注意力機制的神經(jīng)網(wǎng)絡(luò)也開始在其他任務(wù)上表現(xiàn)出超越LSTM的性能。

但截至目前，LSTM相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)還是進步明顯，它能夠非線性地建模關(guān)系并以非線性方式處理具有多個維度的數(shù)據(jù)，這是幾十年前的人們夢寐以求的。