翻译：张玲

校对：丁楠雅

本文约1500字，建议阅读5分钟。

作者基于波动性标准普尔500数据集和Keras深度学习网络框架，利用python代码演示RNN和LSTM RNN的构建过程，便于你快速搭建时间序列的预测模型。

图片来源：Pixabay

本文的目的是演示人工神经网络（Artificial Neural Network ，ANN）和长短期记忆循环神经网络（Long Short-Term Memory Recurrent Neural Network ，LSTM RNN）工作过程，使您能够在现实生活中使用它们，并对时间序列数据建立最简单的ANN和LSTM循环神经网络。

人工神经网络（Artificial Neural Network ，ANN）

长短期记忆循环神经网络（Long Short-Term Memory Recurrent Neural Network ，LSTM RNN）

数据

CBOE（Chicago Board Options Exchange，芝加哥期权交易所）波动性指数是用来衡量标准普尔500指数期权的一种常用隐含波动率，以其代号VIX（Volatility Index,也称“恐惧指数”）而闻名。

CBOE（Chicago Board Options Exchange，芝加哥期权交易所）波动性指数

芝加哥期权交易所CBOE实时计算出VIX指数后，将其推出。

芝加哥期权交易所

可以从这里（）下载波动性标准普尔500数据集，时间范围是：2011年2月11日至2019年2月11日。我的目标是采用ANN和LSTM来预测波动性标准普尔500时间序列。

首先，我们需要导入以下库：

import pandas as pdimport numpy as np%matplotlib inlineimport matplotlib.pyplot as pltfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.metrics import r2_scorefrom keras.models import Sequentialfrom keras.layers import Densefrom keras.callbacks import EarlyStoppingfrom keras.optimizers import Adamfrom keras.layers import LSTM

并将数据加载到Pandas 的dataframe中。

df = pd.read_csv("vix_2011_2019.csv")

我们可以快速浏览前几行。

print(df.head())

删除不需要的列，然后将“日期”列转换为时间数据类型，并将“日期”列设置为索引。

df.drop(['Open', 'High', 'Low', 'Close', 'Volume'], axis=1, inplace=True)df['Date'] = pd.to_datetime(df['Date'])df = df.set_index(['Date'], drop=True)df.head(10)

接下来，我们绘制一个时间序列线图。

plt.figure(figsize=(10, 6))df['Adj Close'].plot();

可以看出，“Adj close”数据相当不稳定，既没有上升趋势，也没有下降趋势。

按日期“2018–01–01”将数据拆分为训练集和测试集，即在此日期之前的数据是训练数据，此之后的数据是测试数据，我们再次将其可视化。

split_date = pd.Timestamp('2018-01-01')df = df['Adj Close']train = df.loc[:split_date]test = df.loc[split_date:]plt.figure(figsize=(10, 6))ax = train.plot()test.plot(ax=ax)plt.legend(['train', 'test']);

我们将训练和测试数据缩放为[-1，1]。

scaler = MinMaxScaler(feature_range=(-1, 1))train_sc = scaler.fit_transform(train)test_sc = scaler.transform(test)

获取训练和测试数据。

X_train = train_sc[:-1]y_train = train_sc[1:]X_test = test_sc[:-1]y_test = test_sc[1:]

用于时间序列预测的简单人工神经网络我们创建一个序列模型。通过.add()方法添加层。将“input_dim”参数传递到第一层。激活函数为线性整流函数Relu（Rectified Linear Unit，也称校正线性单位）。通过compile方法完成学习过程的配置。损失函数是mean_squared_error，优化器是Adam。当监测到loss停止改进时，结束训练。patience =2，表示经过数个周期结果依旧没有改进，此时可以结束训练。人工神经网络的训练时间为100个周期，每次用1个样本进行训练。

nn_model = Sequential()nn_model.add(Dense(12, input_dim=1, activation='relu'))nn_model.add(Dense(1))nn_model.compile(loss='mean_squared_error', optimizer='adam')early_stop = EarlyStopping(monitor='loss', patience=2, verbose=1)history = nn_model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=1, callbacks=[early_stop], shuffle=False)

我不会把整个输出结果打印出来，它早在第19个周期就停了下来。

y_pred_test_nn = nn_model.predict(X_test)y_train_pred_nn = nn_model.predict(X_train)print("The R2 score on the Train set is:\t{:0.3f}".format(r2_score(y_train, y_train_pred_nn)))print("The R2 score on the Test set is:\t{:0.3f}".format(r2_score(y_test, y_pred_test_nn)))

LSTM

LSTM网络的构建和模型编译和人工神经网络相似。

LSTM有一个可见层，它有1个输入。隐藏层有7个LSTM神经元。输出层进行单值预测。LSTM神经元使用Relu函数进行激活。LSTM的训练时间为100个周期，每次用1个样本进行训练。

lstm_model = Sequential()lstm_model.add(LSTM(7, input_shape=(1, X_train_lmse.shape[1]), activation='relu', kernel_initializer='lecun_uniform', return_sequences=False))lstm_model.add(Dense(1))lstm_model.compile(loss='mean_squared_error', optimizer='adam')early_stop = EarlyStopping(monitor='loss', patience=2, verbose=1)history_lstm_model = lstm_model.fit(X_train_lmse, y_train, epochs=100, batch_size=1, verbose=1, shuffle=False, callbacks=[early_stop])

训练早在第10个周期就停了下来。

y_pred_test_lstm = lstm_model.predict(X_test_lmse)y_train_pred_lstm = lstm_model.predict(X_train_lmse)print("The R2 score on the Train set is:\t{:0.3f}".format(r2_score(y_train, y_train_pred_lstm)))print("The R2 score on the Test set is:\t{:0.3f}".format(r2_score(y_test, y_pred_test_lstm)))

训练和测试R^2均优于人工神经网络模型。

比较模型

我们比较了两种模型的测试MSE

nn_test_mse = nn_model.evaluate(X_test, y_test, batch_size=1)lstm_test_mse = lstm_model.evaluate(X_test_lmse, y_test, batch_size=1)print('NN: %f'%nn_test_mse)print('LSTM: %f'%lstm_test_mse)

进行预测

nn_y_pred_test = nn_model.predict(X_test)lstm_y_pred_test = lstm_model.predict(X_test_lmse)plt.figure(figsize=(10, 6))plt.plot(y_test, label='True')plt.plot(y_pred_test_nn, label='NN')plt.title("NN's Prediction")plt.xlabel('Observation')plt.ylabel('Adj Close Scaled')plt.legend()plt.show();

plt.figure(figsize=(10, 6))plt.plot(y_test, label='True')plt.plot(y_pred_test_lstm, label='LSTM')plt.title("LSTM's Prediction")plt.xlabel('Observation')plt.ylabel('Adj Close scaled')plt.legend()plt.show();

就是这样！在这篇文章中，我们发现了如何采用python语言基于Keras深度学习网络框架，开发用于时间序列预测的人工神经网络和LSTM循环神经网络，以及如何利用它们更好地预测时间序列数据。

Jupyter笔记本可以在Github上找到。星期一快乐！

原文标题：

An Introduction on Time Series Forecasting with Simple Neural Networks & LSTM

原文链接：

编辑：王菁

校对：龚力

译者简介

张玲，在岗数据分析师，计算机硕士毕业。从事数据工作，需要重塑自我的勇气，也需要终生学习的毅力。但我依旧热爱它的严谨，痴迷它的艺术。数据海洋一望无境，数据工作充满挑战。感谢数据派THU提供如此专业的平台，希望在这里能和最专业的你们共同进步！

— 完 —

关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。