LSTM-pohjaisen toistuvan neuroverkon (RNN) koulutus ja arviointi osakkeen hintojen ennustamiseen käsitellään. Malli oppii ennustamaan tulevia osakehintoja aiempien tietojen perusteella prosessissa, johon kuuluu arkkitehtuurin määrittely, tappiofunktion ja optimointialgoritmin konfigurointi, mallin koulutus sekä suorituskyvyn arviointi.

• Mallin määrittely: LSTM-malli määritellään käyttäen PyTorchia, ja siinä on keskeisinä osina syötteen koko, piilotettujen kerrosten koko ja kerrosten määrä. Malli koostuu LSTM-kerroksesta, jota seuraa lineaarinen kerros ulostulon ennustamiseen. Malli on suunniteltu ottamaan aiemmat osakehinnat syötteenä ja ennustamaan seuraavan aikapisteen hinnan;

class LSTMModel(nn.Module):
def __init__(self, input_size=1, hidden_layer_size=50, num_layers=2, output_size=1):
super().__init__()
self.hidden_layer_size = hidden_layer_size
self.num_layers = num_layers
self.lstm = nn.LSTM(input_size, hidden_layer_size, num_layers, batch_first=True)
self.linear = nn.Linear(hidden_layer_size, output_size)

def forward(self, input_seq):
h0 = torch.zeros(self.num_layers, input_seq.size(0), self.hidden_layer_size).to(input_seq.device)
c0 = torch.zeros(self.num_layers, input_seq.size(0), self.hidden_layer_size).to(input_seq.device)
lstm_out, _ = self.lstm(input_seq, (h0.detach(), c0.detach()))
          last_time_step_out = lstm_out[:, -1, :]
predictions = self.linear(last_time_step_out)
return predictions

• Mallin koulutus: tässä vaiheessa mallia koulutetaan käyttäen keskineliövirhettä (MSE) tappiofunktiona ja adam-optimointialgoritmia. Mallia koulutetaan useiden epookkien ajan, ja tappio lasketaan ja päivitetään jokaiselle koulutuserälle. Koulutussilmukka sisältää eteen- ja taaksepäin kulun sekä painojen optimoinnin tappion minimoimiseksi. Koulutuksen aikana seurataan tappioarvoa mallin oppimisen varmistamiseksi;

criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

• Arviointi: koulutuksen jälkeen mallia arvioidaan testidatalla. Mallin ennusteita verrataan todellisiin osakehintoihin käyttäen neliöllistä keskimääräisvirhettä (RMSE) arviointimittarina. Tämä mittari kuvaa ennustettujen ja todellisten arvojen välistä eroa; pienempi RMSE tarkoittaa parempaa suorituskykyä. Arviointiin sisältyy myös ennusteiden käänteismuunnos skaalatuista arvoista todellisiin hintoihin vertailua varten;

• Suorituskykymittari: RMSE:tä käytetään arvioimaan, kuinka hyvin malli suoriutuu näkemättömällä datalla. Pienempi RMSE-arvo osoittaa, että mallin ennusteet ovat lähempänä todellisia arvoja. RMSE lasketaan vertaamalla ennustettuja arvoja testidatan todellisiin skaalaamattomiin arvoihin.

Yhteenvetona tässä luvussa kuvataan LSTM-mallin koulutus- ja arviointiprosessi aikasarjaennustamiseen, erityisesti osakehintojen ennustamiseen. Keskeisiä vaiheita ovat mallin määrittely, koulutus MSE-tappiofunktiolla ja Adam-optimointialgoritmilla sekä arviointi RMSE-mittarilla.