使用亚马逊的DEEPAR做股票的预测

DeepAR 是 Amazon 于 2017 年提出的基于深度学习的时间序列预测方法，目前已集成到 Amazon SageMaker 和 GluonTS 中。前者是 AWS 的机器学习云平台，后者是 Amazon 开源的时序预测工具库。

传统的时间序列预测方法（ARIMA、Holt-Winters’ 等）往往针对一维时间序列本身建模，难以利用额外特征。此外，传统方法的预测目标通常是序列在每个时间步上的取值。与之相比，基于神经网络的 DeepAR 方法可以很方便地将额外的特征纳入考虑，且其预测目标是序列在每个时间步上取值的概率分布。在特定场景下，概率预测比单点预测更有意义。以零售业为例，若已知商品未来销量的概率分布，则可以利用运筹优化方法推算在不同业务目标下的最优采购量，从而辅助决策。

获取股票信息

liststock =['sz.300807','sz.300789','sz.300771','sz.300546','sz.300479','sz.300462','sz.300455','sz.300449','sz.300386','sz.300368']
#liststock = ['sz.300462']
listdic = []
lg = bs.login()
for ite in liststock:
    dd = mygetstockdata(ite)
    dic = {"start":dd.date[0],"target":list(dd.close),"cat":int(liststock[0].split('.')[1]),"dynamic_feat":[list(dd.volume),list(dd.turn)]}
    #strjon = json.dumps(dic)
    listdic.append(dic)

bs.logout()

traindata = ListDataset(
    listdic,
    freq = "1d"
)

设置estimator,训练保存到tmp文件夹

prediction_length = 30
estimator = DeepAREstimator(
    prediction_length=prediction_length,
    context_length=30,
    freq="1d",
    trainer=Trainer(ctx="cpu",
                    epochs=5,#30
                    learning_rate=1e-3,
                    num_batches_per_epoch=50 #100
                   )
)
predictor = estimator.train(traindata)

predictor.serialize(Path("./tmp/"))

可以直接使用也可以保存下来后续直接用

predictor = Predictor.deserialize(Path("./tmp/"))
import matplotlib.pyplot as plt
from gluonts.dataset.util import to_pandas
for test_entry, forecast in zip(testdata, predictor.predict(testdata)):
    to_pandas(test_entry)[-60:].plot(linewidth=2)
    forecast.plot(color='g', prediction_intervals=[50.0, 90.0])
plt.grid(which='both')

最后得到得图像，随机选择了10个计算机行业得股票做的训练从19年1月到现在得数据，最后预测得是其中得一支股票

图片.png

从图片可以看出来日期越靠后偏差越大，用这10只股票来看基本都是先大涨一波然后大跌。太靠后得不太靠谱，这10支股票得数据我试着跑了两天，日期近得没什么变化，但是对长期得预测变化较大，如果用来参考最好还是比较频繁得预测。
这是用10支股票训练得结果，后续打算多选几个股票来训练。

最近正在兼职帮朋友做销售数字的分析，才学的deepar，目前来看涉及到多种类得预测还是要比其它得好一些。有感兴趣得可以交流一下。