Розглядається навчання та оцінювання рекурентної нейронної мережі (RNN) на основі LSTM для прогнозування цін акцій. Модель навчається прогнозувати майбутні ціни акцій на основі історичних даних шляхом визначення архітектури, налаштування функції втрат і оптимізатора, навчання моделі та оцінювання її ефективності.

• Визначення моделі: модель LSTM визначається за допомогою PyTorch, з основними компонентами, такими як розмір вхідних даних, розмір прихованого шару та кількість шарів. Модель складається з шару LSTM, за яким слідує лінійний шар для прогнозування виходу. Модель призначена для прийому попередніх цін акцій як вхідних даних і прогнозування ціни на наступному часовому кроці;

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

• Навчання моделі: на цьому етапі модель навчається з використанням функції втрат mean squared error (MSE) та оптимізатора adam. Модель навчається протягом кількох епох, при цьому втрата обчислюється та оновлюється для кожного батчу навчальних даних. Цикл навчання включає пряме та зворотне поширення, оптимізацію ваг для мінімізації втрат. Під час навчання відстежується значення втрат, щоб переконатися, що модель ефективно навчається;

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

• Оцінювання: після навчання модель оцінюється на тестовому наборі даних. Прогнози моделі порівнюються з фактичними цінами акцій за допомогою метрики root mean squared error (RMSE). Ця метрика вимірює різницю між прогнозованими та фактичними значеннями, причому менше значення RMSE свідчить про кращу ефективність. Процес оцінювання також включає зворотне перетворення масштабованих прогнозів для отримання фактичних цін для порівняння;

• Метрика ефективності: для оцінки якості моделі на невідомих даних використовується RMSE. Менше значення RMSE означає, що прогнози моделі ближчі до фактичних значень. RMSE обчислюється після порівняння прогнозованих значень із фактичними немасштабованими значеннями з тестових даних.

Підсумовуючи, у цьому розділі описано процес навчання та оцінювання моделі LSTM для прогнозування часових рядів із акцентом на прогнозування цін акцій. Основні етапи включають визначення моделі, навчання з використанням функції втрат MSE та оптимізатора Adam, а також оцінювання моделі за допомогою RMSE.