tesla stock price pred

特斯拉股價預測

使用 LSTM（長短期記憶）模型預測幾個月內特斯拉的股價。有關特斯拉的推文用於提高預測準確性。

首先，使用LSTM 多元時間序列預測模型預測幾個月內的股價。然後，清理有關 Tesla 的推文，並使用TextBlob 計算其每日平均情緒分數。最後，將每日平均情緒分數作為特徵添加到 LSTM 模型中並用於預測。

免責聲明： LSTM 模型不能用於預測現實生活中的股票價格，因為股票市場具有很強的不可預測性。在這個專案中，驗證階段是用來測試模型的效能。此專案的目的是使用 LSTM 實現多元時間序列預測。

問題描述

任務是調查有關特斯拉的推文對其股價的影響。

數據

可以從資料資料夾存取 csvs zip 檔案和模型狀態。

解決方法

沒有情感分數的預測

Adj 收盤價作為回應，以下內容用作特徵：

• 價格高
• 價格低廉
• 開盤價
• 收盤價
• 體積

由於 LSTM 模型對資料規模敏感，因此對特徵進行歸一化，然後將其轉換為張量。

LSTM模型參數：

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

使用網格搜尋演算法透過Ray Tune調整後的 LSTM 模型超參數：

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

GPU得到充分利用。

MSE（均方誤差）結果：

• 訓練與驗證： 108.98853599149807
• 訓練： 0.37573209398539453
• 驗證： 429.7357225013402

清理推文

推文透過以下方式進行清理和預處理：

• 在末尾添加空格以連接它們
• 小寫
• 刪除http連結
• 刪除特殊字元和數字
• 刪除停用詞
• 刪除不必要的單字和字符

然後對它們進行詞形還原，並對單字進行頻率分析。

情緒分析

推文的情緒分數是使用TextBlob 計算的。極性範圍為[-1.0,1.0]，其中-1.0為最負極性，1.0為最正極性，0.0為中性極性。然後，對情緒分數進行頻率分析。最後，計算每日平均情緒分數。

使用情緒分數進行預測

最後，每日平均情緒分數作為一個特徵添加到我們的 LSTM 模型中。

LSTM模型參數：

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

使用網格搜尋演算法透過Ray Tune調整後的 LSTM 模型超參數：

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

GPU得到充分利用。

MSE（均方誤差）結果：

• 訓練與驗證： 35.028627722561374
• 訓練： 0.11838243676105603
• 驗證： 138.12294583219045

結論

從來沒有情緒分數和情緒分數的預測的 MSE 結果來看，很明顯，將推文的日平均情緒分數作為特徵添加到 LSTM 模型中可以提高其預測準確性。這意味著有關特斯拉的推文對其股價有一定程度的影響。