Vengono discussi l'addestramento e la valutazione di una rete neurale ricorrente (RNN) basata su LSTM per la previsione dei prezzi delle azioni. Il modello apprende a prevedere i prezzi futuri delle azioni sulla base dei dati storici attraverso un processo che include la definizione dell'architettura, la configurazione della funzione di perdita e dell'ottimizzatore, l'addestramento del modello e la valutazione delle sue prestazioni.

• Definizione del modello: il modello LSTM viene definito utilizzando PyTorch, con componenti chiave come la dimensione dell'input, la dimensione dello strato nascosto e il numero di strati. Il modello è composto da uno strato LSTM seguito da uno strato lineare per la previsione dell'output. Il modello è progettato per ricevere in input i prezzi delle azioni precedenti e prevedere il prezzo al passo temporale successivo;

class LSTMModel(nn.Module):
def __init__(self, input_size=1, hidden_layer_size=50, num_layers=2, output_size=1):
super().__init__()
self.hidden_layer_size = hidden_layer_size
self.num_layers = num_layers
self.lstm = nn.LSTM(input_size, hidden_layer_size, num_layers, batch_first=True)
self.linear = nn.Linear(hidden_layer_size, output_size)

def forward(self, input_seq):
h0 = torch.zeros(self.num_layers, input_seq.size(0), self.hidden_layer_size).to(input_seq.device)
c0 = torch.zeros(self.num_layers, input_seq.size(0), self.hidden_layer_size).to(input_seq.device)
lstm_out, _ = self.lstm(input_seq, (h0.detach(), c0.detach()))
          last_time_step_out = lstm_out[:, -1, :]
predictions = self.linear(last_time_step_out)
return predictions

• Addestramento del modello: in questa fase, il modello viene addestrato utilizzando la funzione di perdita mean squared error (MSE) e l'ottimizzatore adam. Il modello viene addestrato per diverse epoche, con la perdita calcolata e aggiornata per ogni batch di dati di addestramento. Il ciclo di addestramento include la propagazione in avanti e all'indietro, ottimizzando i pesi per minimizzare la perdita. Durante l'addestramento, si monitora il valore della perdita per garantire che il modello stia apprendendo in modo efficace;

criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

• Valutazione: dopo l'addestramento, il modello viene valutato sul dataset di test. Le previsioni del modello vengono confrontate con i prezzi reali delle azioni utilizzando la root mean squared error (RMSE) come metrica di valutazione. Questa metrica misura la differenza tra i valori previsti e quelli reali, con un RMSE più basso che indica prestazioni migliori. Il processo di valutazione include anche la trasformazione inversa delle previsioni scalate per ottenere i valori reali dei prezzi da confrontare;

• Metrica di prestazione: la RMSE viene utilizzata per valutare quanto bene il modello si comporta su dati non visti. Un valore RMSE più basso indica che le previsioni del modello sono più vicine ai valori reali. L'RMSE viene calcolato dopo aver confrontato i valori previsti con i valori reali non scalati dei dati di test.

In sintesi, questo capitolo descrive il processo di addestramento e valutazione di un modello LSTM per la previsione di serie temporali, con particolare attenzione alla previsione dei prezzi delle azioni. I passaggi chiave includono la definizione del modello, l'addestramento utilizzando la funzione di perdita MSE e l'ottimizzatore Adam, e la valutazione del modello tramite RMSE.