728x90
반응형
from datetime import datetime
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import StandardScaler
from tensorflow.keras import models
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dropout, Dense, Activation
def data_plot():
# --- 주식 데이터 로드, 전처리, 분할, 모델 학습하기(이전 실습에서 진행) --- #
df = pd.read_csv('data/stock.csv')
# 데이터프레임 출력(데이터프레임은 (헹 X 열)로 이루어진 표 형태의 특수한 데이터 타입)
print(df)
# --- 주식 데이터 살펴보기 --- #
print('\n주식 데이터의 형태를 출력')
print(df.shape)
print('\n주식 데이터의 정보를 출력')
print(df.info)
print('\n주식 데이터의 상단 5개 행을 출력')
print(df.head())
print('\n주식 데이터의 하단 5개 행을 출력')
print(df.tail())
print('\n주식 데이터의 모든 열을 출력')
print(df.columns)
print('\n주식 데이터의 요약 통계 자료 출력')
print(df.describe())def data_preprocess():
# 주식 데이터 불러오기
df = pd.read_csv('data/stock.csv')
# 수정 종가 이동평균(MA: Moving Average) 값 구하기
ma5 = df['Adj Close'].rolling(window=5).mean() # 수정 종가 5일 이동평균
ma20 = df['Adj Close'].rolling(window=20).mean() # 수정 종가 20일 이동평균
ma60 = df['Adj Close'].rolling(window=60).mean() # 수정 종가 60일 이동평균
# 이동평균 값 추가하기
df.insert(len(df.columns), "MA5", ma5) # 'MA5'라는 열 이름으로 ma5 값 추가
df.insert(len(df.columns), "MA20", ma20) # 'MA20'라는 열 이름으로 ma20 값 추가
df.insert(len(df.columns), "MA60", ma60) # 'MA60'라는 열 이름으로 ma60 값 추가
# 거래량 5일 이동평균 추가
vma5 = df['Volume'].rolling(window=5).mean() # 거래량의 5일 이동평균 구하기
df.insert(len(df.columns), "VMA5", vma5) # 'VMA5'라는 열 이름으로 vma5 값 추가
# --- 이격도 추가 --- #
# 수정 종가 데이터를 5일 이동평균 값으로 나눈 비율
disp5 = (df['Adj Close']/df['MA5'])*100
# 이격도 데이터를 'Disp5'라는 열 이름으로 추가
df.insert(len(df.columns), "Disp5", disp5)
# 데이터 확인
print('이동평균 및 이격도가 추가된 주가 데이터')
print(df)
# 이동평균선 시각화
print("\n이동평균선 그래프")
plt.plot(df['Adj Close'], label="Adj Close") # 수정 종가
plt.plot(df['MA5'], label="MA5") # 종가 5일 이동평균
plt.plot(df['MA20'], label="MA20") # 종가 20일 이동평균
plt.plot(df['MA60'], label="MA60") # 종가 60일 이동평균
# 시각화 옵션 코드
# (시각화 강의에서 별도로 다루는 내용입니다)
plt.legend(loc='best')
plt.xticks(rotation = 45)
plt.grid()
plt.savefig("plot2.png")
elice_utils.send_image("plot2.png")
plt.cla()
# 거래량 이동평균값 시각화하기
print("\n거래량 이동평균값 그래프")
plt.plot(df.index, df['VMA5'], label='VMA5') # 거래량 5일 이동평균
plt.plot(df.index, df['Volume'], label='Volume') # 거래량 데이터
# 시각화 옵션 코드
# (시각화 강의에서 별도로 다루는 내용입니다)
plt.legend(loc='best')
plt.xticks(rotation = 45)
plt.grid()
plt.savefig("plot.png")def train():
# --- 주식 데이터 로드, 전처리, 분할, 모델 학습하기(이전 실습에서 진행) --- #
df = pd.read_csv('data/stock.csv')
# 주가의 중간값 계산하기
high_prices = df['High'].values
low_prices = df['Low'].values
mid_prices = (high_prices + low_prices) / 2
# 주가 데이터에 중간 값 요소 추가하기
df['Mid'] = mid_prices
# 종가의 5일 이동평균값을 계산하고 주가 데이터에 추가하기
ma5 = df['Adj Close'].rolling(window=5).mean()
df['MA5'] = ma5
df = df.fillna(0) # 비어있는 값을 모두 0으로 바꾸기
# Date 열를 제거합니다.
df = df.drop('Date', axis = 1)
# 데이터 스케일링(MinMaxScaler 적용)
min_max_scaler = MinMaxScaler()
fitted = min_max_scaler.fit(df)
output = min_max_scaler.transform(df)
output = pd.DataFrame(output, columns=df.columns, index=list(df.index.values))
# 트레인셋/테스트셋 크기 설정
train_size = int(len(output)* 0.6) # 트레인셋은 전체의 60%
test_size = int(len(output)*0.3) + train_size # 테스트셋은 전체의 30%
#train/test 학습 및 라벨 설정
#종가를 예측하기 위해 종가를 label로 설정
train_x = np.array(output[:train_size])
train_y = np.array(output['Close'][:train_size])
test_x =np.array(output[train_size:test_size])
test_y = np.array(output['Close'][train_size:test_size])
validation_x = np.array(output[test_size:])
validation_y = np.array(output['Close'][test_size:])
# Keras 모델을 생성합니다.
model = Sequential()
# Keras 딥러닝 모델 학습을 위한 파라미터(옵션값)을 설정합니다.
learning_rate = 0.01
training_cnt = 1000
batch_size = 100
input_size = 8
# 생성된 딥러닝 모델에 학습용 데이터(train_x)를 넣습니다.
model.add(Dense(input_size, activation='tanh', input_shape=(train_x.shape[1],)))
model.add(Dense(input_size * 3, activation='tanh'))
model.add(Dense(1, activation='tanh'))
# 데이터를 학습을 진행합니다.
model.compile(optimizer='sgd', loss='mse', metrics=['mae', 'mape','acc'])
model.summary()
history = model.fit(train_x, train_y, epochs=training_cnt,
batch_size=batch_size, verbose=1)
val_mse, val_mae, val_mape, val_acc = model.evaluate(test_x, test_y, verbose=0)
def predict():
# --- 학습 결과를 그래프로 확인해봅니다 --- #
# 학습된 모델로부터 테스트 데이터를 예측합니다.
pred = model.predict(test_x)
fig = plt.figure(facecolor='white', figsize=(8, 5))
ax = fig.add_subplot(111)
ax.plot(test_y, label='True') # 실제 주가
ax.plot(pred, label='Prediction') # 우리가 만든 딥러닝 모델이 예측한 주가
ax.legend()
# 현재까지 그려진 그래프를 시각화
plt.savefig("plot.png")
728x90
반응형