tesla stock price pred

Prediksi Harga Saham Tesla

Harga saham Tesla diprediksi selama beberapa bulan menggunakan model LSTM (Long Short-Term Memory). Tweet tentang Tesla digunakan untuk meningkatkan akurasi prediksi.

Pertama, harga saham diprediksi selama beberapa bulan menggunakan model Prediksi Seri Waktu Multivariat LSTM . Kemudian, tweet tentang Tesla dibersihkan dan skor sentimen rata-rata hariannya dihitung menggunakan TextBlob. Terakhir, skor sentimen rata-rata harian ditambahkan sebagai fitur dalam model LSTM dan digunakan untuk prediksi.

Penafian: Model LSTM tidak dapat digunakan untuk memprediksi harga saham di kehidupan nyata karena pasar saham sangat tidak dapat diprediksi. Dalam proyek ini, tahap validasi digunakan untuk menguji kinerja model. Tujuan dari proyek ini adalah untuk mengimplementasikan Prediksi Rangkaian Waktu Multivariat menggunakan LSTM.

Deskripsi Masalah

Tugasnya adalah menyelidiki dampak tweet tentang Tesla terhadap harga sahamnya.

Data

File zip csvs dan status model dapat diakses dari folder data .

Pendekatan Solusi

Prediksi Tanpa Skor Sentimen

Harga penutupan Adj digunakan sebagai respons dan berikut ini digunakan sebagai fitur:

• Harga tinggi
• Harga rendah
• Harga terbuka
• Tutup harga
• Volume

Fitur-fitur tersebut dinormalisasi karena model LSTM sensitif terhadap skala data, dan kemudian dikonversi menjadi tensor.

Parameter model LSTM:

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

Hyperparameter model LSTM setelah tuning dengan Ray Tune menggunakan Algoritma Grid Search:

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

GPU dimanfaatkan.

Hasil MSE (Mean Squared Error) :

• Pelatihan dan Validasi : 108.98853599149807
• Latihan: 0,37573209398539453
• Validasi: 429.7357225013402

Membersihkan Tweet

Tweet dibersihkan dan diproses sebelumnya dengan cara berikut:

• Menambahkan spasi di ujungnya untuk menggabungkannya
• Huruf kecil
• Menghapus tautan http
• Menghapus karakter dan angka khusus
• Menghapus kata-kata berhenti
• Menghapus kata dan karakter yang tidak perlu

Kata-kata tersebut kemudian diberi lemmatisasi , dan analisis frekuensi dilakukan terhadap kata-kata tersebut.

Analisis Sentimen

Skor sentimen untuk tweet dihitung menggunakan TextBlob. Kisaran polaritasnya adalah [-1,0, 1,0], dengan -1,0 sebagai polaritas paling negatif, 1,0 sebagai polaritas paling positif, dan 0,0 sebagai polaritas netral. Kemudian dilakukan analisis frekuensi terhadap skor sentimen. Terakhir, skor sentimen rata-rata harian dihitung.

Prediksi Dengan Skor Sentimen

Terakhir, skor sentimen rata-rata harian ditambahkan sebagai fitur pada model LSTM kami.

Parameter model LSTM:

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

Hyperparameter model LSTM setelah tuning dengan Ray Tune menggunakan Algoritma Grid Search:

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

GPU dimanfaatkan.

Hasil MSE (Mean Squared Error) :

• Pelatihan dan Validasi : 35.028627722561374
• Latihan: 0,11838243676105603
• Validasi: 138.12294583219045

Kesimpulan

Dari hasil MSE Prediksi Tanpa dan Dengan Skor Sentimen, terlihat jelas bahwa menambahkan skor sentimen rata-rata harian tweet sebagai fitur pada model LSTM akan meningkatkan akurasi prediksinya. Artinya, tweet tentang Tesla memiliki dampak yang besar terhadap harga sahamnya.