仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ。

このコードは、ダミーの株価データを生成し、それを使用してLSTM（Long Short-Term Memory）モデルをトレーニングして株価の予測を行います。

パラメーターを変更すると色々な条件で シュミレーションが行えます。

以下はコードの簡単な説明です。

ダミーの株価データの生成 (generate_dummy_stock_prices):
generate_dummy_stock_prices関数は、指定された初期株価、ボラティリティ、および取引日数に基づいて、ダミーの株価データを生成します。ここでは、毎日の株価変動が正規分布に従うと仮定しています。

データの前処理:
ダミーの株価データをMinMaxScalerを使用して正規化します。これにより、データが0から1の範囲に収まるようになります。

入力データとラベルの作成:
create_dataset関数は、入力となる過去の株価データと、それに対応する次の日の株価を作成します。過去の株価データはシーケンスとして取得され、ラベルはその次の日の株価となります。

トレーニングデータとテストデータの分割:
全体のデータセットをトレーニングデータとテストデータに分割します。ここでは、トレーニングデータが80％、テストデータが20％となるように分割しています。

LSTMモデルの構築:
LSTM（Long Short-Term Memory）モデルを構築します。ここでは、1つのLSTM層と1つの全結合層（Dense層）を使用しています。活性化関数としては、デフォルトのReLU関数が使用されます。

トレーニング:
モデルをトレーニングします。ここでは、Adamオプティマイザを使用して平均二乗誤差を最小化します。トレーニングデータの一部が検証データとして使用され、早期停止（Early Stopping）コールバックが適用されます。

予測:
テストデータを使用して株価の予測を行います。トレーニング済みのモデルを使用して、テストデータに対する株価の予測値を取得します。

結果のプロット:
実際の株価と予測された株価をプロットします。ここではMatplotlibを使用して、株価の時系列データをグラフ化します。

仮想の株価データ（ボラティリティに基づいたダミーの株価チャート）

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ。⓵

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras.callbacks import EarlyStopping

# ダミーの株価データを生成
def generate_dummy_stock_prices(start_price, volatility, days):
    prices = [start_price]  # 初日の株価は指定した初期株価とする

    for _ in range(1, days):
        # 前日の株価を取得
        prev_price = prices[-1]
        # ボラティリティに基づいて当日の株価を計算
        price_change = np.random.normal(0, volatility)
        today_price = prev_price * (1 + price_change)
        prices.append(today_price)
    
    return np.array(prices)

# LSTMモデルの定義
def build_lstm_model(input_shape):
    model = Sequential()
    model.add(LSTM(150, input_shape=input_shape))
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mean_squared_error')
    return model

def main():
    # ダミーの株価データを生成
    start_price = 100
    volatility = 0.02  # 例として 2% のボラティリティ
    days = 365 * 5  # 5年分の取引日数
    dummy_stock_prices = generate_dummy_stock_prices(start_price, volatility, days)

    # データの前処理
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_prices = scaler.fit_transform(dummy_stock_prices.reshape(-1, 1))

    # トレーニングデータとテストデータに分割
    train_size = int(len(scaled_prices) * 0.8)
    train_data = scaled_prices[:train_size]
    test_data = scaled_prices[train_size:]

    # 入力データとラベルの作成
    def create_dataset(data, time_steps):
        X, y = [], []
        for i in range(len(data) - time_steps):
            X.append(data[i:(i + time_steps)])
            y.append(data[i + time_steps])
        return np.array(X), np.array(y)

    time_steps = 1
    X_train, y_train = create_dataset(train_data, time_steps)
    X_test, y_test = create_dataset(test_data, time_steps)

    # LSTMモデルの構築
    input_shape = (X_train.shape[1], 1)
    model = build_lstm_model(input_shape)

    # トレーニング
    early_stopping = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
    model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2, callbacks=[early_stopping])

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

    # 予測結果を元のスケールに戻す
    predicted_data = scaler.inverse_transform(predicted_data)
    y_test = scaler.inverse_transform(y_test)

    # 結果のプロット
    plt.figure(figsize=(10, 5))
    plt.plot(dummy_stock_prices, label='Actual')
    plt.plot(np.arange(train_size + time_steps, len(dummy_stock_prices)), predicted_data, label='Predicted')
    plt.xlabel('Day')
    plt.ylabel('Price')
    plt.title('Dummy Stock Prices Prediction')
    plt.legend()
    plt.grid(True)
    plt.show()

if __name__ == "__main__":
    main()

仮想の株価データを使用してLSTMモデルをトレーニングし、株価を予測するシュミレータ。⓶

time_steps = 3 # 入力は過去3日間の株価 (ここを変更してみた。）

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras.callbacks import EarlyStopping

# ダミーの株価データを生成
def generate_dummy_stock_prices(start_price, volatility, days):
    prices = [start_price]  # 初日の株価は指定した初期株価とする

    for _ in range(1, days):
        # 前日の株価を取得
        prev_price = prices[-1]
        # ボラティリティに基づいて当日の株価を計算
        price_change = np.random.normal(0, volatility)
        today_price = prev_price * (1 + price_change)
        prices.append(today_price)
    
    return np.array(prices)

def main():
    # ダミーの株価データを生成
    start_price = 100
    volatility = 0.02  # 例として 2% のボラティリティ
    days = 365 * 5  # 5年分の取引日数
    dummy_stock_prices = generate_dummy_stock_prices(start_price, volatility, days)

    # データの前処理
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_prices = scaler.fit_transform(dummy_stock_prices.reshape(-1, 1))

    # 入力データとラベルの作成
    def create_dataset(data, time_steps):
        X, y = [], []
        for i in range(len(data) - time_steps):
            X.append(data[i:(i + time_steps)])
            y.append(data[i + time_steps])
        return np.array(X), np.array(y)

    time_steps = 3  # 入力は過去5日間の株価
    X, y = create_dataset(scaled_prices, time_steps)

    # データをトレーニングデータとテストデータに分割
    train_size = int(len(X) * 0.8)
    X_train, X_test = X[:train_size], X[train_size:]
    y_train, y_test = y[:train_size], y[train_size:]

    # LSTMモデルの構築
    model = Sequential()
    model.add(LSTM(150, input_shape=(X_train.shape[1], X_train.shape[2])))
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mean_squared_error')

    # トレーニング
    early_stopping = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)
    history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.2, callbacks=[early_stopping])

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

    # 予測結果を元のスケールに戻す
    predicted_data = scaler.inverse_transform(predicted_data)
    y_test = scaler.inverse_transform(y_test)

    # 結果のプロット
    plt.figure(figsize=(10, 5))
    plt.plot(dummy_stock_prices[train_size+time_steps:], label='Actual')
    plt.plot(predicted_data, label='Predicted')
    plt.xlabel('Day')
    plt.ylabel('Price')
    plt.title('Dummy Stock Prices Prediction')
    plt.legend()
    plt.grid(True)
    plt.show()

if __name__ == "__main__":
    main()

上手くいきすぎているような気もします。
予測が大きくずれる時はコードをもう1回実行するとうまくフィットする 結果が出ることがありますね