tesla stock price pred

การคาดการณ์ราคาหุ้นของเทสลา

ราคาหุ้นของ Tesla ได้รับการทำนายในช่วงหลายเดือนโดยใช้แบบจำลอง LSTM (Long Short-Term Memory) ทวีตเกี่ยวกับ Tesla ถูกนำมาใช้เพื่อปรับปรุงความแม่นยำในการทำนาย

ขั้นแรก ราคาหุ้นจะถูกคาดการณ์ในช่วงหลายเดือนโดยใช้แบบจำลอง การคาดการณ์อนุกรมเวลาหลายตัวแปร LSTM จากนั้น ทวีตเกี่ยวกับ Tesla จะถูกทำความสะอาด และคะแนนความเชื่อมั่นเฉลี่ยรายวันจะถูกคำนวณโดยใช้ TextBlob สุดท้ายนี้ คะแนนความเชื่อมั่นเฉลี่ยรายวันจะถูกเพิ่มเป็นคุณลักษณะในแบบจำลอง LSTM และใช้สำหรับการคาดการณ์

ข้อสงวนสิทธิ์: แบบจำลอง LSTM ไม่สามารถใช้คาดการณ์ราคาหุ้นในชีวิตจริงได้ เนื่องจากตลาดหุ้นเป็นสิ่งที่คาดเดาไม่ได้อย่างมาก ในโครงการนี้ ขั้นตอนการตรวจสอบความถูกต้องใช้เพื่อทดสอบประสิทธิภาพของแบบจำลอง วัตถุประสงค์ของโครงการคือการใช้การทำนายอนุกรมเวลาหลายตัวแปรโดยใช้ LSTM

คำอธิบายปัญหา

ภารกิจคือการตรวจสอบผลกระทบของทวีตเกี่ยวกับ Tesla ที่มีต่อราคาหุ้น

ข้อมูล

ไฟล์ zip csvs และสถานะโมเดลสามารถเข้าถึงได้จากโฟลเดอร์ ข้อมูล

แนวทางการแก้ปัญหา

การทำนายโดยไม่มีคะแนนความเชื่อมั่น

การปรับราคาปิด จะใช้เป็นการ ตอบสนอง และต่อไปนี้จะใช้เป็น คุณลักษณะ:

• ราคาสูง
• ราคาต่ำ
• ราคาเปิด
• ราคาปิด
• ปริมาณ

คุณลักษณะต่างๆ ได้ รับการทำให้เป็นมาตรฐาน เนื่องจากโมเดล LSTM มีความไวต่อขนาดของข้อมูล จากนั้นจึง แปลงเป็นเทนเซอร์

พารามิเตอร์โมเดล LSTM:

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

ไฮเปอร์พารามิเตอร์ โมเดล LSTM หลังจากปรับแต่งด้วย Ray Tune โดยใช้อัลกอริทึมการค้นหากริด:

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

มีการใช้ประโยชน์จาก GPU

ผลลัพธ์ MSE (ข้อผิดพลาด Mean Squared) :

• การฝึกอบรมและการตรวจสอบความถูกต้อง: 108.98853599149807
• การฝึกอบรม: 0.37573209398539453
• การตรวจสอบ: 429.7357225013402

การทำความสะอาดทวีต

ทวีตจะ ถูกล้าง และ ประมวลผลล่วงหน้า ด้วยวิธีต่อไปนี้:

• เพิ่มช่องว่างที่ส่วนท้ายเพื่อรวมเข้าด้วยกัน
• ตัวพิมพ์เล็ก
• การลบลิงก์ http
• การลบอักขระพิเศษและตัวเลข
• การลบคำหยุด
• การลบคำและตัวอักษรที่ไม่จำเป็นออก

จากนั้นจึง แปลงคำเหล่านั้นเป็นคำย่อ และทำการ วิเคราะห์ความถี่ กับคำนั้น

การวิเคราะห์ความรู้สึก

คะแนนความคิดเห็น สำหรับทวีตคำนวณโดยใช้ TextBlob ช่วงขั้วคือ [-1.0, 1.0] โดยที่ -1.0 เป็นขั้วลบมากที่สุด 1.0 เป็นขั้วบวกมากที่สุด และ 0.0 เป็นขั้วที่เป็นกลาง จากนั้น จะทำการ วิเคราะห์ความถี่ กับคะแนนความเชื่อมั่น สุดท้ายนี้ จะคำนวณ คะแนนความเชื่อมั่นเฉลี่ยรายวัน

การทำนายด้วยคะแนนความเชื่อมั่น

สุดท้ายนี้ คะแนนความเชื่อมั่นเฉลี่ยรายวันจะถูกเพิ่มเป็นคุณลักษณะให้กับโมเดล LSTM ของเรา

พารามิเตอร์โมเดล LSTM:

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

ไฮเปอร์พารามิเตอร์ โมเดล LSTM หลังจากปรับแต่งด้วย Ray Tune โดยใช้อัลกอริทึมการค้นหากริด:

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

มีการใช้ประโยชน์จาก GPU

ผลลัพธ์ MSE (ข้อผิดพลาด Mean Squared) :

• การฝึกอบรมและการตรวจสอบความถูกต้อง: 35.028627722561374
• การฝึกอบรม: 0.11838243676105603
• การตรวจสอบ: 138.12294583219045

บทสรุป

จากผลลัพธ์ของ MSE ของการทำนายที่ไม่มีและด้วยคะแนนความเชื่อมั่น เป็นที่ชัดเจนว่าการเพิ่มคะแนนความคิดเห็นเฉลี่ยรายวันของทวีตเป็นคุณลักษณะให้กับโมเดล LSTM จะปรับปรุงความแม่นยำในการทำนาย ซึ่งหมายความว่าทวีตเกี่ยวกับ Tesla มีผลกระทบต่อราคาหุ้นในระดับหนึ่ง