I.　前言

　在 Machine Learning (ML) 火速發展的這幾年，曾幾何時我也非常嚮往從事股票預測 (Stock Prediction) 的研究方向。但這類領域從一開始就有個偽命題，也就是預測價格。它導致了預測結果永遠延遲當前市價步調，無法達到當初人們想用 ML 達成的目的。因此另一個開拓的方向也就誕生了，也就是不預測價格這麼精細的目的，而是預測趨勢 ! 看當下行情是「做多機率多」，亦或是「做空機率多」。扯遠了~ 我閱讀到的這篇文章是經典的預測價格的方法，有幸從網上得到優質敲門磚 ~ 我拜讀後並記錄學習過程，另外也為未來定下個目標 「實現趨勢預測」 !

II.　如何使用

STEP.1　CLONE

git clone https://github.com/Junwu0615/NVDA-Price-Stock-Prediction.git

STEP.2　INSTALL PACKAGES

用 pip 安裝所需套件

pip install -r requirements.txt

或是直接安裝 Conda 環境檔 ( yaml 需自行設定使用者變數名稱: xxx -> ? )

conda env create -f C:\Users\xxx\environment.yaml

STEP.3　RUN

python NVDA-Price-Stock-Prediction.py -h

STEP.4　HELP

• -h Help : Show this help message and exit.
• -open Open :　Add open feature ?　T / F
• -high High :　Add high feature ?　T / F
• -low Low :　Add low feature ?　T / F
• -vol Volume :　Add volume feature ?　T / F
• -utm :　Use Trained Model ?　T / F

STEP.5　EXAMPLE

• 使用「開盤價」、「最高價」、「最低價」、「交易量」， 4 種特徵來預測「收盤價」。

python NVDA-Price-Stock-Prediction.py -open T -high T -low T -vol T -utm F

• 

• 只使用「交易量」此特徵來預測「收盤價」。

python NVDA-Price-Stock-Prediction.py -open F -high F -low F -vol T -utm F

• 

• 使用已訓練過的模型進行預測。

python NVDA-Price-Stock-Prediction.py -open F -high F -low F -vol T -utm T

III.　說明過程

A.　資料取得

我透過 Financial Modeling Prep 取得我想預測的標的 NVIDIA ，它需要註冊會員以取得 API key，接著使用日線圖的 API 叫出該 Symbol 歷史資料。另外，我已先將其內容存儲成 json 格式 -> NVDA_history_20190225_20240223.json。

• 

B.　資料預處理

• 原始資料如下圖所示。
• 
• 將資料範圍大小，規範於 0 至 1 區間，標準化後的資料如下圖所示。
• 
• 接著將資料切割成訓練集 ( 90% ) 和測試集 ( 10% )，任務目標是預測「收盤價」，而其餘特徵都是餵給機器的輸入。

  x_train = result[:int(number_train), :-1]
  y_train = result[:int(number_train), -1][:,-1]
  

C.　模型建立與訓練

• 模型使用序列神經模型的 GRU (原先文章使用 LSTM)，實際跑過一遍後，效果確實也比較好。
• 我有測試幾組實驗，心得是使用雙層神經網路，且第一層維度設置不能比第二層小 (1024, 1024)。
• 丟失率 0.6 左右比較好，可以自行嘗試看看。批量大小依照原先設定 128，epoch 設定 200。
• 都設置好即可以開始訓練模型 ! (我起初玩 ML 流程都沒有這麼短...哩哩叩叩要設定一堆)

D.　預測結果與真實差異

• 將結果還回正常區間後，用 Matplotlib 檢視成果 ( 因為不可能預測得到精確的數字，所以用趨勢的方式來檢視 )。 可參考 STEP.5　EXAMPLE。另外有趣的是用單一特徵反而比多特徵效果還來的好，不知什麼原因 @@?

IV.　參考資源

• FinLab | 用深度學習幫你解析K線圖！
• Financial Modeling Prep | 預測資料來源