Summary  
This chapter demonstrates how to build and train a recurrent neural network (using LSTM and GRU) for time series forecasting, covering data loading, preprocessing (e.g., scaling), model selection, training, and evaluation.  

General domain of usage  
Financial forecasting (e.g., stock price prediction)

Begrebet **tidsserieprognose** introduceres med fokus på dets anvendelse i **aktiemarkedsforudsigelse**. Tidsserieprognose indebærer at forudsige fremtidige værdier baseret på tidligere observerede datapunkter, hvilket gør det værdifuldt inden for områder som finans, vejrudsigter og lagerstyring.


**Tidsserieanalyse** er processen med at analysere data, der indsamles sekventielt over tid. Det indebærer at identificere mønstre, tendenser og sæsonvariationer i dataene for at forudsige fremtidige værdier.

Definition

- Indsamling af historiske aktiedata, herunder aktiekurser, handelsvolumener og andre relevante finansielle målinger;
- Data kan indhentes fra API'er, børser eller finansielle dataleverandører;
- Sikr, at dataene dækker en tilstrækkelig tidsperiode til at fange markedstendenser og udsving.

Datainnsamling

- Rensning af data ved at håndtere manglende værdier, fjerne outliers og normalisere værdier for konsistens;
- Feature engineering kan være nødvendig, såsom at oprette nye variable som glidende gennemsnit eller volatilitet;
- Opdel dataene i trænings- og testdatasæt.

Databehandling

- Visualisering af aktiekursdata ved hjælp af grafer for at identificere tendenser, sæsonvariationer og eventuelle mønstre over tid;
- Identificer nøgleforhold i dataene (f.eks. korrelation mellem aktiekurser og volumener);
- Forstå fordelingen af ændringer i aktiekurser og test for stationaritet.

Explorativ dataanalyse (EDA)

- Udvælgelse af en passende model til tidsserieprognose. Almindelige modeller inkluderer GRU og LSTM;
- Til aktiekursforudsigelser er LSTM et godt valg til at fange langsigtede afhængigheder;
- Overvej alternative modeller, hvis dataene er simple, eller modellen ikke kræver at fange komplekse mønstre.

Modelvalg

- Træning af den valgte model på historiske data, justering af hyperparametre for at opnå optimal ydeevne;
- For LSTM-modeller skal du sikre, at dataene er omformet og normaliseret korrekt;
- Overvåg træningsprocessen for at undgå overfitting eller underfitting.

Modeltræning

- Brug den trænede model til at forudsige fremtidige aktiekurser baseret på nye data;
- Evaluer modellens nøjagtighed ved hjælp af målinger som mean absolute error (MAE), root mean squared error (RMSE) og R-squared;
- Test modellens evne til at generalisere til virkelige data.

Forudsigelse og evaluering

### Udfordringer
Tidsserieprognoser, især for aktiekurser, indebærer kompleksiteter som **støj**, **markedsvolatilitet** og **eksterne faktorer**. Succesen for forudsigelsesmodellen afhænger af datakvaliteten og modellens evne til at opfange underliggende mønstre.

Sammenfattende er tidsserieprognoser et væsentligt værktøj til at forudsige fremtidige aktiekurser og træffe informerede beslutninger på finansielle markeder. De vigtigste trin—datainnsamling, forbehandling, modelvalg, træning og evaluering—udgør fundamentet for et vellykket prognoseprojekt.


Hvilket af følgende er IKKE en typisk anvendelse af tidsserieprognoser?

Behersk rekurrente neurale netværk og deres avancerede varianter som LSTM og GRU ved hjælp af PyTorch. Opnå praktisk erfaring med behandling af sekventielle data til anvendelser i praksis. Anvend disse kraftfulde modeller til at løse virkelige udfordringer inden for tidsserieprognoser og forskellige opgaver i naturlig sprogbehandling.

Dækker begrænsningerne ved traditionelle neurale netværk for sekventielle data og introducerer grundlæggende principper for Recurrent Neural Networks. Forklarer RNN-arkitektur, typer og trinvis implementering gennem grundlæggende eksempler og en kodningsudfordring.

Undersøger almindelige træningsudfordringer såsom forsvindende og eksploderende gradienter. Introducerer avancerede RNN-varianter, herunder LSTM og GRU, med fokus på deres interne mekanismer og anvendelsesområder samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prognose af tidsseriedata ved hjælp af RNN-baserede modeller. Omfatter dataindlæsning, forbehandlingsteknikker, modeltræning og præstationsvurdering med vægt på sammenligning af LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen af RNN'er til tekstklassificeringsopgaver. Dækker centrale NLP-begreber, tekstkodningsmetoder, trin til dataklargøring og opbygning af en LSTM-baseret model til sentimentforudsigelse.

Introduktion til Tidsserieprognoser

Udfordringer