tesla stock price pred

Predicción del precio de las acciones de Tesla

El precio de las acciones de Tesla se predice durante algunos meses utilizando un modelo LSTM (Long Short-Term Memory). Los tweets sobre Tesla se utilizan para mejorar la precisión de las predicciones.

Primero, el precio de las acciones se predice durante algunos meses utilizando un modelo de predicción de series de tiempo multivariado de LSTM . Luego, los tweets sobre Tesla se limpian y sus puntuaciones de sentimiento promedio diarias se calculan utilizando TextBlob. Por último, las puntuaciones de sentimiento promedio diarias se agregan como una característica en el modelo LSTM y se utilizan para la predicción.

Descargo de responsabilidad: el modelo LSTM no se puede utilizar para predecir los precios de las acciones en la vida real porque el mercado de valores es muy impredecible. En este proyecto, la fase de validación se utiliza para probar el rendimiento del modelo. El propósito del proyecto es implementar la predicción multivariada de series de tiempo utilizando LSTM.

Descripción del problema

La tarea consiste en investigar el impacto de los tweets sobre Tesla en el precio de sus acciones.

Datos

Se puede acceder al archivo zip csvs y a los estados del modelo desde la carpeta de datos .

Enfoque de solución

Predicción sin puntuaciones de sentimiento

El precio de cierre ajustado se utiliza como respuesta y lo siguiente se utiliza como características:

• Precio alto
• Precio bajo
• Precio abierto
• Cerrar precio
• Volumen

Las características están normalizadas porque un modelo LSTM es sensible a la escala de los datos y luego se convierte en tensores.

Parámetros del modelo LSTM:

• input_size=5
• batch_first=True
• num_classes=1
• optimizer=Adam
• loss_function=MSELoss()

Hiperparámetros del modelo LSTM después de ajustar con Ray Tune usando el algoritmo de búsqueda de cuadrícula:

• hidden_size=3
• num_layers=1
• learning_rate=0.001
• num_epochs=8000

Se aprovecha la GPU .

Resultados de MSE (error cuadrático medio) :

• Capacitación y Validación: 108.98853599149807
• Formación: 0,37573209398539453
• Validación: 429.7357225013402

Tweets de limpieza

Los tweets se limpian y preprocesan de las siguientes maneras:

• Agregar espacios en blanco a los extremos para unirlos
• minúsculas
• Eliminación de enlaces http
• Eliminar caracteres y números especiales
• Eliminar palabras vacías
• Eliminar palabras y caracteres innecesarios

Luego se lematizan y se realiza un análisis de frecuencia de las palabras.

Análisis de sentimiento

Las puntuaciones de sentimiento de los tweets se calculan utilizando TextBlob. El rango de polaridad es [-1,0, 1,0], siendo -1,0 la polaridad más negativa, 1,0 la polaridad más positiva y 0,0 la polaridad neutra. Luego, se realiza un análisis de frecuencia de las puntuaciones de sentimiento. Por último, se calculan las puntuaciones de sentimiento promedio diarias .

Predicción con puntuaciones de sentimiento

Finalmente, las puntuaciones de sentimiento promedio diarias se agregan como una característica de nuestro modelo LSTM.

Parámetros del modelo LSTM:

• input_size=6
• num_classes=1
• optimizer=Adam
• loss_function=MSELoss()

Hiperparámetros del modelo LSTM después de ajustar con Ray Tune usando el algoritmo de búsqueda de cuadrícula:

• hidden_size=5
• num_layers=1
• learning_rate=0.002
• num_epochs=8000

Se aprovecha la GPU .

Resultados de MSE (error cuadrático medio) :

• Capacitación y Validación: 35.028627722561374
• Formación: 0,11838243676105603
• Validación: 138.12294583219045

Conclusión

A partir de los resultados de MSE de predicción sin y con puntuaciones de sentimiento, está claro que agregar las puntuaciones de sentimiento promedio diarias de los tweets como una característica del modelo LSTM mejora su precisión de predicción. Esto significa que los tweets sobre Tesla tienen un nivel de impacto en el precio de sus acciones.