はじめに#

この記事は、ディープラーニングの勉強の一環です。
間違いなどはご指摘頂ければ幸いです。

以前の記事では、ニューラルネットワークで日経平均株価（終値）を予測をしましたが、今回は RNN（リカレントニューラルネットワーク）を用いて予測します。

今回のソースファイルはこちら

※この記事を参考にした取引によって発生した損害、またはトラブルについては、一切の責任を負いかねます。

環境#

Windows 7 Proffessional 64bit
Python 3.6.7 (anaconda)
TensorFlow 1.12.0
Keras 2.2.4

データについて#

以下については、以前の記事をご参照下さい。
だたし、今回はデータを標準化（平均 0, 分散 1）しています。

訓練#

今回は LSTM を使用します。
エポック数は、以前の記事と同じ 3,000 としています。
過学習が発生するため、ドロップアウトを追加しています。
また、compile メソッドと fit メソッドは以前の記事と同じです。

from keras.models import Sequential
from keras.layers import Dense, LSTM, GRU
from keras.optimizers import RMSprop

model = Sequential()
model.add(LSTM(128, 
              dropout=0.2, 
              recurrent_dropout=0.2, 
              return_sequences=False, 
              input_shape=(None, X_train_std.shape[-1])))
model.add(Dense(1))

model.compile(optimizer=RMSprop(), loss='mae', metrics=['accuracy'])

result = model.fit(X_train_std, y_train_std, 
                   verbose=0,   ## 詳細表示モード
                   epochs=epochs, 
                   batch_size=64, 
                   shuffle=True, 
                   validation_data=(X_valid_std, y_valid_std))

訓練結果（損失値）#

予測（テスト）結果#

直近30日を予測（テスト用データを予測）した結果です。
二乗平均平方根誤差（RMSE）は 462.446
ニューラルネットワークで予測した以前の記事より精度が悪くなりました。

GRU での予測（テスト）結果#

GRU でも予測をしました。
ソースファイルの変更は

model.add(LSTM(128, 
              dropout=0.2, 
              recurrent_dropout=0.2, 
              return_sequences=False, 
              input_shape=(None, X_train_std.shape[-1])))

モデルの LSTM を GRU に置換するだけ。

model.add(GRU(128, 
              dropout=0.2, 
              recurrent_dropout=0.2, 
              return_sequences=False, 
              input_shape=(None, X_train_std.shape[-1])))

予測（テスト）結果##

二乗平均平方根誤差（RMSE）は 226.110 と LSTM より良くなりました。

今後の課題#

さらなる精度向上のため、以下を検討します。

特徴量（説明変数）の数を増やす（例　過去30日分の株価 ⇒ 過去100日分の株価）
RNN の中間層を増やす
リカレント層のスタッキング