딥러닝으로 걷는 시계열 예측 [CH11] KOSPI200 데이터를 이용한 삼성전자 주가 예측

실제 주가를 RNN으로 구성해보자

 

1. 주가 데이터 모집

삼성전자의 주식 가격과 KOSPI200의 가격을 이용해, 내일의 삼성전자 주가를 예측하는 모델을 만들어 보자.

 

성능 비교하기

- 삼성전자 한 가지만을 가지고 DNN, LSTM으로 구성한 모델과 입력 데이터가 두 가지 (삼성전자, KOSPI200 지수)이므로 두 가지 데이터를 단순 DNN, LSTM으로 구성한 모델과 비교

- 앙상블(다:1)로 구성해서 비교

 

데이터는 삼성전자 주가 데이터와 KOSPI20지수를 csv파일로 다운로드 받는다

 

 

2. 데이터 저장

데이터를 효과적으로 사용하기 위해 csv 파일을 불러와서 numpy파일로 저장하여 작업한다

 

3. panda를 numpy로 변경 후 저장

pandas 데이터를 numpy로 바꾸는 방법은 pandas 데이터에 '.values'를 붙여주면 된다

데이터들을 각각 kospi200.npy, samsung.npy 데이터를 저장한다. 앞으로 npy데이터를 불러서 작업하면 된다.

https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH11/11_2.py

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance

 

4. numpy 데이터 불러오기

앞에서 저장한 데이터들을 numpy로 불러오기

 

5. DNN 구성하기

삼성전자의 데이터만 가지고 DNN구성(다:1)해보기

사용할 데이터는

x값: 삼성전자의 시가, 고가, 저가, 종가. 거래량

y값: 삼성전자의 종가

 

x의 컬럼은 총 5개이고, y의 컬럼은 총 1개이므로 총 426일분의 데이터를 Split()이용해 5개씩 잘라서 데이터셋을 구성한다.

 

tmp_y = dataset[x_end_number:y_end_number, 3]

을 이용해 세 번째 컬럼(종가) 데이터만을 y값에 준다.

 

5-1. 데이터 전처리

사이킷 런의 train_test_split()이용해서 train, test를 분리하고, 

사이킷 런의 StandardScaler를 이용해 전처리를 한다 -> StandardScaler는 2차원 데이터만 작업 가능하기 때문에 꼭 reshape을 통해 처리해줘야 함

 

# 데이터 셋 나누기

# 사이킷 런의 StandardScaler를 이용

from sklearn.preprocessing import StandardScaler

# 2차원 데이터를 reshape으로 변경해줌

scaler = StandardScaler()

scaler.fit(x_train)

x_train_scaled = scaler.transform(x_train)

x_test_scaled = scaler.transform(x_test)

print(x_train_scaled[0, :])

 

 

5-2. 컴파일 및 훈련, 완성

개선이 없는 에포가 20회 이상 나오면 조기 종효 하도록 훈련하기

rom keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(patience=20)

model.fit(

x_train_scaled,

y_train,

validation_split=0.2,

verbose=1,

batch_size=1,

epochs=100,

callbacks=[early_stopping],

)

 

3~5까지의 전체 코드

https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH11/11_5.py

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance

 

 

6. LSTM 구성하기

완성된 삼성전자 DNN 모델 활용해 LSTM 모델 구성하기

데이터의 shape을 수정하면 됨

: 데이터 전처리 이전에 데이터를 shape(None, 5, 5)를 (None, 25)로 reshape한 전처리 이후 데이터를 다시 (None, 5, 5,)로 reshape하여 데이터 부분 하단에 추가하면 된다!

# 데이터의 shape 수정하기

x_train = np.reshape(x_train,

(x_train.shape[0], x_train.shape[1] * x_train.shape[2]))

x_test = np.reshape(x_test,

(x_test.shape[0], x_test.shape[1] * x_test.shape[2]))

print(x_train.shape)

print(x_test.shape)

실행 결과를 확인하면 기존 Dense모델보다 훨씬 많은 시간이 소요되지만, loss값이 줄지 않는 걸 확인할 수 있다.

 

https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH11/11_6.py

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance

 

 

7. DNN 앙상블 구현하기

삼성전자 데이터에 KOSPI200 데이터를 엮어서 앙상블 모델을 DNN으로 구성해보자

 

https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH11/11_7.py

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance

 

 

 

8. LSTM 앙상블 구현하기

삼성전자와 KOSPI200지수를 앙상블로 LSTM 2개를 엮어서 삼성전자의 주가를 예측해보자

이전 소스의 shape부분을 LSTM의 shape에 맞춰서 (None, 5, 5)로 변경한다

 

https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH11/11_8.py

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance

이대로 하면 결과값 중 Mse값이 매우 높고, 예측도 오히려 DNN이나 단순 LSTM보다 좋지 않게 나오기 때문에 하이퍼파라미터 튜닝이 꼭 필요하다. 시간이 나면 성능 개선되도록 하이퍼파라미터 튜닝 지속적으로 해보기!

 

 

이 교재를 완주하면서 테스트해본 소스코드는 모두 아래 저의 깃허브 링크에서 확인할 수 있습니다:)

https://github.com/yenyen31/Artificial-Intelligence-in-Finance

GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance