tesla stock price pred

テスラの株価予測

テスラの株価は、LSTM (Long Short-Term Memory) モデルを使用して数か月にわたって予測されます。テスラに関するツイートは、予測精度を向上させるために使用されます。

まず、 LSTM 多変量時系列予測モデルを使用して、株価が数か月にわたって予測されます。次に、テスラに関するツイートがクリーンアップされ、 TextBlob を使用してその日の平均センチメント スコアが計算されます。最後に、日次平均センチメント スコアが LSTM モデルの特徴として追加され、予測に使用されます。

免責事項:株式市場は非常に予測不可能であるため、LSTM モデルを使用して現実の株価を予測することはできません。このプロジェクトでは、検証フェーズを使用してモデルのパフォーマンスをテストします。プロジェクトの目的は、LSTM を使用して多変量時系列予測を実装することです。

問題の説明

任務は、テスラに関するツイートが株価に与える影響を調査することだ。

データ

csvs zip ファイルとモデルの状態には、データフォルダーからアクセスできます。

解決策のアプローチ

感情スコアを使用しない予測

調整終値が応答として使用され、以下が特徴として使用されます。

• 高価格
• 低価格
• オープン価格
• 終値
• 音量

LSTM モデルはデータのスケールに影響されるため、特徴は正規化されてからテンソルに変換されます。

LSTM モデルのパラメーター:

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

グリッド検索アルゴリズムを使用してRay Tuneで調整した後の LSTM モデルのハイパーパラメーター:

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

GPUが活用されています。

MSE (平均二乗誤差) の結果:

• トレーニングと検証: 108.98853599149807
• トレーニング: 0.37573209398539453
• 検証: 429.7357225013402

掃除ツイート

ツイートは次の方法でクリーンアップおよび前処理されます。

• 末尾に空白を追加して結合する
• 小文字
• http リンクの削除
• 特殊文字と数字の削除
• ストップワードの削除
• 不要な単語や文字を削除する

次に、それらは見出し語化され、単語の頻度分析が実行されます。

感情分析

ツイートの感情スコアはTextBlob を使用して計算されます。極性範囲は [-1.0, 1.0] で、-1.0 が最も負の極性、1.0 が最も正の極性、0.0 が中立極性です。次に、感情スコアに対して頻度分析が実行されます。最後に、毎日の平均感情スコアが計算されます。

感情スコアによる予測

最後に、日次平均感情スコアが LSTM モデルに特徴として追加されます。

LSTM モデルのパラメーター:

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

グリッド検索アルゴリズムを使用してRay Tuneで調整した後の LSTM モデルのハイパーパラメーター:

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

GPUが活用されています。

MSE (平均二乗誤差) の結果:

• トレーニングと検証: 35.028627722561374
• トレーニング: 0.11838243676105603
• 検証: 138.12294583219045

結論

センチメント スコアを使用しない場合と使用する場合の MSE 結果から、ツイートの日次平均センチメント スコアを特徴として LSTM モデルに追加することで予測精度が向上することが明らかです。これは、テスラに関するツイートが株価に一定の影響を与えることを意味します。