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)

Begrepet **tidsserieprognose** introduseres med fokus på anvendelse innen **børsprognoser**. Tidsserieprognose innebærer å forutsi fremtidige verdier basert på tidligere observerte datapunkter, noe som gjør det verdifullt innen områder som finans, værvarsling og lagerstyring.


**Tidsserieanalyse** er prosessen med å analysere data som samles inn sekvensielt over tid. Det innebærer å identifisere mønstre, trender og sesongvariasjoner i dataene for å forutsi fremtidige verdier.

Definisjon

- Samle inn historiske børsdata, inkludert aksjekurser, handelsvolumer og andre relevante finansielle måleverdier;
- Data kan hentes fra API-er, børser eller leverandører av finansielle data;
- Sørg for at dataene dekker en tilstrekkelig tidsperiode for å fange opp markedstrender og svingninger.

Datainnsamling

- Rens dataene ved å håndtere manglende verdier, fjerne uteliggere og normalisere verdier for konsistens;
- Funksjonsutvikling kan være nødvendig, for eksempel å lage nye variabler som glidende gjennomsnitt eller volatilitet;
- Del opp dataene i trenings- og testdatasett.

Dataprosessering

- Visualiser aksjekursdata ved hjelp av grafer for å identifisere trender, sesongvariasjoner og eventuelle mønstre over tid;
- Identifiser viktige sammenhenger i dataene (f.eks. korrelasjon mellom aksjekurser og volumer);
- Forstå fordelingen av endringer i aksjekurser og test for stasjonaritet.

Utforskende dataanalyse (EDA)

- Velg en egnet modell for tidsserieprognose. Vanlige modeller inkluderer GRU og LSTM;
- For aksjekursprognoser er LSTM et godt valg for å fange opp langsiktige avhengigheter;
- Vurder alternative modeller hvis dataene er enkle eller modellen ikke krever å fange opp komplekse mønstre.

Modellvalg

- Tren den valgte modellen på historiske data, og juster hyperparametere for å oppnå optimal ytelse;
- For LSTM-modeller må dataene omformes og normaliseres på riktig måte;
- Overvåk treningsprosessen for å unngå overtilpasning eller undertilpasning.

Modelltrening

- Bruk den trente modellen til å forutsi fremtidige aksjekurser basert på ukjente data;
- Evaluer modellens nøyaktighet ved hjelp av måleverdier som gjennomsnittlig absolutt feil (MAE), rot av gjennomsnittlig kvadrert feil (RMSE) og R-kvadrat;
- Test modellens evne til å generalisere til virkelige data.

Prediksjon og evaluering

### Utfordringer
Tidsserieprognoser, spesielt for aksjekurser, innebærer kompleksiteter som **støy**, **markedsvolatilitet** og **eksterne faktorer**. Suksessen til prediksjonsmodellen avhenger av datakvaliteten og modellens evne til å fange underliggende mønstre.

Oppsummert er tidsserieprognoser et viktig verktøy for å forutsi fremtidige aksjekurser og ta informerte beslutninger i finansmarkedene. Hovedstegene—datainnsamling, forbehandling, modellvalg, trening og evaluering—utgjør grunnlaget for et vellykket prognoseprosjekt.


Hvilket av følgende er IKKE en typisk anvendelse av tidsserieprognoser?

Bli ekspert på rekursive nevrale nettverk og deres avanserte varianter som LSTM og GRU ved bruk av PyTorch. Få praktisk erfaring med behandling av sekvensielle data for anvendelser i praksis. Bruk disse kraftige modellene til å løse reelle utfordringer innen tidsserieprognoser og ulike oppgaver innen naturlig språkprosessering.

Dekker begrensningene ved tradisjonelle nevrale nettverk for sekvensielle data og introduserer grunnleggende prinsipper for rekurrente nevrale nettverk. Forklarer RNN-arkitektur, typer og trinnvis implementering gjennom grunnleggende eksempler og en kodeutfordring.

Utforsker vanlige treningsutfordringer som forsvinnende og eksploderende gradienter. Introduserer avanserte RNN-varianter, inkludert LSTM og GRU, med fokus på deres interne mekanismer og bruksområder, samt praktiske implementeringseksempler for hver.

Fokuserer på behandling og prediksjon av tidsseriedata ved bruk av RNN-baserte modeller. Inkluderer datainnhenting, forhåndsbehandlingsteknikker, modelltrening og ytelsesevaluering, med vekt på sammenligning av LSTM- og GRU-arkitekturer.

Demonstrerer anvendelsen av RNN-er på tekstklassifiseringsoppgaver. Dekker sentrale NLP-konsepter, metoder for tekstkoding, trinn for datapreparering og konstruksjon av en LSTM-basert modell for prediksjon av sentiment.

Introduksjon til Tidsserieprognoser

Utfordringer