tesla stock price pred

Прогноз цен на акции Tesla

Цена акций Tesla прогнозируется на несколько месяцев с использованием модели LSTM (Long Short-Term Memory). Твиты о Tesla используются для повышения точности прогнозов.

Во-первых, цена акций прогнозируется на несколько месяцев с использованием модели многомерного прогнозирования временных рядов LSTM . Затем твиты о Tesla очищаются, и их среднедневные оценки настроений рассчитываются с помощью TextBlob. Наконец, среднедневные оценки настроений добавляются в качестве функции в модель LSTM и используются для прогнозирования.

Отказ от ответственности: модель LSTM нельзя использовать для прогнозирования цен на акции в реальной жизни, поскольку фондовый рынок крайне непредсказуем. В этом проекте этап проверки используется для проверки производительности модели. Целью проекта является реализация многомерного прогнозирования временных рядов с использованием LSTM.

Описание проблемы

Задача — исследовать влияние твитов о Tesla на цену ее акций.

Данные

Доступ к ZIP-файлу csvs и состояниям модели можно получить из папки данных .

Подход к решению

Прогнозирование без оценки настроений

В качестве ответа используется скорректированная цена закрытия , а в качестве функций используются следующие параметры:

• Высокая цена
• Низкая цена
• Цена открытия
• Цена закрытия
• Объем

Функции нормализуются , поскольку модель LSTM чувствительна к масштабу данных, а затем преобразуются в тензоры.

Параметры модели LSTM:

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

Гиперпараметры модели LSTM после настройки с помощью Ray Tune с использованием алгоритма поиска по сетке:

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

Используется графический процессор .

Результаты MSE (среднеквадратическая ошибка) :

• Обучение и проверка: 108.98853599149807
• Обучение: 0.37573209398539453
• Проверка: 429.7357225013402 .

Уборка Твиты

Твиты очищаются и предварительно обрабатываются следующими способами:

• Добавление пробелов на концах, чтобы соединить их.
• Нижний регистр
• Удаление http-ссылок
• Удаление специальных символов и цифр
• Удаление стоп-слов
• Удаление ненужных слов и символов

Затем они лемматизируются и проводится частотный анализ слов.

Анализ настроений

Оценки тональности твитов рассчитываются с помощью TextBlob. Диапазон полярности составляет [-1,0, 1,0], где -1,0 — самая отрицательная полярность, 1,0 — самая положительная полярность и 0,0 — нейтральная полярность. Затем проводится частотный анализ оценок настроений. Наконец, рассчитываются средние дневные оценки настроений .

Прогнозирование с использованием оценок настроений

Наконец, в нашу модель LSTM добавляются средние дневные оценки настроений.

Параметры модели LSTM:

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

Гиперпараметры модели LSTM после настройки с помощью Ray Tune с использованием алгоритма поиска по сетке:

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

Используется графический процессор .

Результаты MSE (среднеквадратическая ошибка) :

• Обучение и проверка: 35.028627722561374
• Обучение: 0.11838243676105603
• Проверка: 138.12294583219045 .

Заключение

Из результатов MSE прогнозирования без и с оценками настроений становится ясно, что добавление среднесуточных оценок настроений твитов в качестве функции в модель LSTM повышает точность ее прогнозирования. Это означает, что твиты о Tesla оказывают определенное влияние на цену ее акций.