bain.js（十一）：基于多变量时间序列的股票数据预测实战-以成交量、换手率和价格波动率为例
系列文章：
- （一）：可以在浏览器运行的、默认GPU加速的神经网络库概要介绍
- （二）：项目集成方式详解
- （三）：手把手教你配置和训练神经网络
- （四）：利用异步训练和交叉验证来优化和加速神经网络训练，提升神经网络性能
- （五）：不同的神经网络类型和对比，构建神经网络时该如何选型？
- （六）：构建FNN神经网络实战教程 - 用户喜好预测
- （七）：Autoencoder实战教程 -及自编码器的使用场景
- （八）：RNNTimeStep 实战教程 - 股票价格预测
- （九）：LSTMTimeStep 实战教程 - 未来短期内的股市指数预测
- （十）：GRUTimeStep 实战教程 - 股市指数预测以及与 LSTMTimeStep 对比
在股票市场中，时间序列数据如成交量、换手率和价格波动率对分析和预测未来趋势具有重要意义。本文将手把手教你使用 brain.js 在浏览器环境下实现多变量时间序列的股票数据预测。我们会用 GRUTimeStep 和 LSTMTimeStep 两种模型进行对比，帮助你理解它们的优缺点及适用场景。
适合人群：
- 对机器学习感兴趣的新手
- 想快速入门时间序列分析的开发者
- 希望将机器学习模型集成到前端应用中的工程师
一、背景与目标
时间序列预测的意义
时间序列是按时间顺序排列的数据，例如股票市场的成交量、换手率、价格波动率等。通过分析这些数据，我们可以：
- 预测未来走势，例如未来的成交量或价格波动。
- 提供决策支持，如买卖时机分析。
目标
- 使用 GRUTimeStep 和 LSTMTimeStep 模型预测多变量时间序列。
- 比较两种模型的性能，帮助你选择适合的技术。
二、准备工作
数据示例
假设我们有以下时间序列数据：
| 日期 | 成交量 | 换手率 | 价格波动率 |
|---|---|---|---|
| 2023-12-01 | 1000000 | 2.5% | 1.2% |
| 2023-12-02 | 1200000 | 3.1% | 1.5% |
| 2023-12-03 | 950000 | 2.8% | 1.3% |
我们需要将这些原始数据转化为适合 brain.js 模型使用的格式。
数据规范化（归一化）
归一化是一个重要的步骤，可以将数据缩放到 [0, 1] 的范围，便于模型更高效地训练。
function normalizeData(data) {
const minMax = {
volume: { min: Math.min(...data.map(d => d.volume)), max: Math.max(...data.map(d => d.volume)) },
turnover: { min: Math.min(...data.map(d => d.turnoverRate)), max: Math.max(...data.map(d => d.turnoverRate)) },
volatility: { min: Math.min(...data.map(d => d.volatility)), max: Math.max(...data.map(d => d.volatility)) },
};
return data.map(d => ({
volume: (d.volume - minMax.volume.min) / (minMax.volume.max - minMax.volume.min),
turnoverRate: (d.turnoverRate - minMax.turnover.min) / (minMax.turnover.max - minMax.turnover.min),
volatility: (d.volatility - minMax.volatility.min) / (minMax.volatility.max - minMax.volatility.min),
}));
}
// 示例数据
const rawData = [
{ volume: 1000000, turnoverRate: 0.025, volatility: 0.012 },
{ volume: 1200000, turnoverRate: 0.031, volatility: 0.015 },
{ volume: 950000, turnoverRate: 0.028, volatility: 0.013 },
];
// 归一化
const normalizedData = normalizeData(rawData);
console.log(normalizedData);
三、使用 GRUTimeStep 模型
GRUTimeStep 简介
GRU（Gated Recurrent Unit）是循环神经网络的一种改进结构，与 LSTM 类似，但更轻量，训练速度更快，适合短期依赖的时间序列预测。
实现步骤
- 初始化模型
- 训练数据
- 预测未来值
const brain = require('brain.js');
// 创建 GRUTimeStep 模型
const gru = new brain.recurrent.GRUTimeStep({
inputSize: 3, // 输入特征数量（成交量、换手率、波动率）
hiddenLayers: [10], // 隐藏层神经元数量
outputSize: 1, // 输出预测值（如未来的价格波动率）
});
// 模型训练
gru.train(normalizedData, {
iterations: 2000, // 迭代次数
learningRate: 0.01, // 学习率
errorThresh: 0.005, // 误差阈值
});
// 预测未来 5 天的值
const predictionsGRU = gru.forecast(normalizedData.slice(0, 3), 5);
console.log('GRU 预测结果：', predictionsGRU);
四、使用 LSTMTimeStep 模型
LSTMTimeStep 简介
LSTM（Long Short-Term Memory）擅长处理长时间依赖关系的时间序列，能捕捉复杂的上下文信息，但计算复杂度较高。
实现步骤
- 初始化模型
- 训练数据
- 预测未来值
// 创建 LSTMTimeStep 模型
const lstm = new brain.recurrent.LSTMTimeStep({
inputSize: 3, // 输入特征数量
hiddenLayers: [10], // 隐藏层神经元数量
outputSize: 1, // 输出预测值
});
// 模型训练
lstm.train(normalizedData, {
iterations: 2000,
learningRate: 0.01,
errorThresh: 0.005,
});
// 预测未来 5 天的值
const predictionsLSTM = lstm.forecast(normalizedData.slice(0, 3), 5);
console.log('LSTM 预测结果：', predictionsLSTM);
五、对比分析
1. 性能和训练时间
| 模型 | 参数数量 | 训练速度 | 预测能力 |
|---|---|---|---|
| GRUTimeStep | 较少 | 较快 | 适合短期预测 |
| LSTMTimeStep | 较多 | 较慢 | 适合长期依赖 |
2. 使用场景
- GRUTimeStep：适用于短期预测和实时应用场景（如电商、IoT 数据）。
- LSTMTimeStep：适用于长时间依赖性强的场景（如股票市场、气象预测）。
3. 实际预测结果
在实际测试中，我们发现：
- GRUTimeStep 模型对短期波动的预测更准确，训练时间也更短。
- LSTMTimeStep 模型更能捕捉长时间序列中的潜在模式，但需要更长的训练时间。
六、总结与展望
通过本文，你已经学习了如何：
- 使用 brain.js 在浏览器中构建时间序列预测模型。
- 使用 GRUTimeStep 和 LSTMTimeStep 实现多变量时间序列预测。
- 分析两种模型的优缺点及其适用场景。
建议：
初学者可以从 GRU 模型入手，快速掌握时间序列预测的基础概念；深入探索后，可以尝试 LSTM 模型来处理更复杂的时间序列数据。
原文地址：https://blog.csdn.net/m0_38015699/article/details/144421230
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！