GRUで日経平均の10日後を予測した結果、それの整合性があまりとれていないような気がする…

【背景】
学生時代に機械学習をやっていました。
今自粛中でやる事もないので、再度機械学習を勉強しようととりあえずやってみてるところです。
漠然とやっても仕方がないので、日経平均を予測してみました。

---

【本編】
RNN(GRU)を用いて日経平均の予測をしてみました。（参考URLをほぼ引用して作成）
結果のグラフでは未来の予測値が急上昇してしまいます。
恐らく間違っていると思うのですが、どこが間違っているのかわかりません。
間違っている部分があればご指摘いただきたいです。

【参考URL】
ディープラーニングで日経平均株価を予測　その2（RNN）

【アルゴリズムの概要】
学習モデル
過去700～101日分を訓練用データ
過去100～51日分を検証用データ
過去50～0日分をテスト用データ

50日間を学習データとして学習する部分を特徴量としてx
当日の教師データをyとする。

※参考URLとは少しデータを変えたため、図も作り直しました。

## RNN(GRU) による日経平均株価（終値）の予測
## 過去50日分の株価より当日の株価を予測

## 過去700～101日分を訓練用データ
## 過去100～51日分を検証用データ
## 過去50～0日分をテスト用データ

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, LSTM, GRU
from keras.optimizers import RMSprop
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error

## 以下の URL より日経平均株価データ（日別）をダウンロードし、
## このプログラムと同一階層に保存
## https://indexes.nikkei.co.jp/nkave/historical/nikkei_stock_average_daily_jp.csv

data_file = 'nikkei_stock_average_daily_jp.csv'

## 当日の株価を予測するために必要な過去の日数
lookback = 50

## エポック数
epochs = 4000

## 学習データ数
learning_num = -700

## データファイルを読み込む
## データ日付を index に設定
## 最終行はデータではないため、スキップ
df = pd.read_csv(data_file, index_col=0, encoding='cp932', 
                 skipfooter=1, engine='python')

## 終値
closing_price = df[['終値']].values

## 訓練・検証・テスト用データを作成
## 過去50日分の株価より当日の株価とする
def data_split(data, start, end, lookback):
    length = abs(start-end)

    X = np.zeros((length, lookback))
    y = np.zeros((length, 1))

    for i in range(length):
        j = start - lookback + i
        k = j + lookback

        X[i] = data[j:k, 0]
        y[i] = data[k, 0]

    return X, y

## 訓練・検証・テスト用データ
(X_train, y_train) = data_split(closing_price, learning_num, -100, lookback)
(X_valid, y_valid) = data_split(closing_price, -100, -50, lookback)
(X_test, y_test) = data_split(closing_price, -50, 0, lookback)

## 標準化:scalerは正規化するための関数
## X のみ次元を変換（2次元 ⇒ 3次元）
scaler = StandardScaler()
scaler.fit(X_train)
X_train_std = scaler.transform(X_train).reshape(-1, lookback, 1)
X_valid_std = scaler.transform(X_valid).reshape(-1, lookback, 1)
X_test_std = scaler.transform(X_test).reshape(-1, lookback, 1)


scaler.fit(y_train)
y_train_std = scaler.transform(y_train)
y_valid_std = scaler.transform(y_valid)

#X_train_std.shape[-1] 行列X_train_stdの列数
length_of_sequence = X_train_std.shape[-1]
#隠れ層の数
n_hidden = 256

## 訓練 RNN(ここでmodelを作る)
model = Sequential()
model.add(GRU(n_hidden, 
              dropout=0.2, 
              recurrent_dropout=0.2, 
              return_sequences=False, 
              input_shape=(None, X_train_std.shape[-1])))
model.add(Dense(1)) ##ニューロン数

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))

## 訓練の損失値をプロット
epochs = range(len(result.history['loss']))
plt.title('損失値（Loss）')
plt.plot(epochs, result.history['loss'], 'bo', alpha=0.6, marker='.', label='train', linewidth=1)
plt.plot(epochs, result.history['val_loss'], 'r', alpha=0.6, label='valid', linewidth=1)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.grid(True)
plt.show()

## 予測値
df_predict_std =  pd.DataFrame(model.predict(X_test_std), columns=['予測値'])

## 予測値を元に戻す(正規化の解除)
predict = scaler.inverse_transform(df_predict_std['予測値'].values)

## 予測結果をプロット
pre_date = df.index[-len(y_test):].values
plt.title('実際の終値と予測値')
plt.plot(pre_date, y_test, 'b', alpha=0.6, marker='.', label='実際の終値', linewidth=1)
plt.plot(pre_date, predict, 'r', alpha=0.6, marker='.', label='予測値', linewidth=1)
plt.xticks(rotation=70)
plt.legend()
plt.grid(True)
plt.show()

# RMSEの計算
print('二乗平均平方根誤差（RMSE） : %.3f' %  
       np.sqrt(mean_squared_error(y_test, predict)))

ここまで参考URLとほぼ同じ。
ここから予測のアルゴリズムを組みました。
テストデータの最後尾の要素X_test_std[-1]をTで転置させて、
future_testとして新たなテストデータを出現させます。

そして未来の予測値を格納するfuture_resultを用意して仮の変数である
np.empty((1))を格納していきます。

#未来の株価予想
future_test = X_test_std[-1].T
# 1つの学習データの時間の長さ
time_length = future_test.shape[1]
# 未来の予測データを保存していく変数
future_result = np.empty((1))

ここからはfuture_testをmodelに読み込んで未来の予想値batch_predictを算出します。
（1日予測するごとにfuture_testから要素をひとつづつ消していきます）
それを10日分行うといった内容です。

#10日間の日経平均の予測をする
for step2 in range(10):
    #future_testを3次元に変換
    test_data = np.reshape(future_test, (1, time_length, 1))
    #予測値をbatch_predict_stdに格納
    batch_predict_std = model.predict(test_data)
    #batch_predict_stdの正規化を解除する（step2日目の予測）
    batch_predict = scaler.inverse_transform(batch_predict_std)
    #最初の要素を消す
    future_test = np.delete(future_test, 0)
    #future_testの最後尾にbatch_predict_stdを追加する
    future_test = np.append(future_test, batch_predict_std)
    #future_resultにstep2日目のデータを追加
    future_result = np.append(future_result, batch_predict)

# 未来の予測データを保存していく変数作成時に出来た不要な最初の要素を削除
future_result = np.delete(future_result, 0)

## 予測結果をプロット
pre_date = df.index[-len(y_test + future_result):].values
plt.title('未来の予測値', fontname="MS Gothic")
plt.plot(pre_date, y_test, 'b', alpha=0.6, marker='.', label='Real', linewidth=1)
plt.plot(pre_date, predict, 'r', alpha=0.6, marker='.', label='predict', linewidth=1)
plt.plot(range(len(predict) , len(future_result) + len(predict)), future_result, 'g', alpha=0.6, marker='.', label='future_predict', linewidth=1)
plt.xticks(rotation=70)
plt.legend()
plt.grid(True)
plt.show()

実行結果
RMSEの出力：943.44
↑ここ最近急落がったのであまり精度がよくなかったです。
学習データがもっと多ければ個々の問題は改善すると思います。

グラフの結果

※10日後急上昇するグラフになってしまった…
ここが一番問題でした。
何故急上昇してしまったのか…
誰かご指摘いただきたいです。（これが正常なのか？？）

---

【まとめ】
ほぼコードコピーしているので、自分で今後も色々作成していきたいと思います。
アレンジしたらまた載せます。

【環境】
windows10
visual studio 2019 community
python 3