LSTM除了用在 NLP 外，亦可應用在語音辨識，語言翻譯等。每次在做資料分析之前，資料收集都是困難且費時難。
本篇說明台灣股市的預測，而台股的預測需要收盤價及交易量，可以由 tejapi 及 yfinance 二個套件取得。tejapi 需要付費，而 yfinance 則是免費的，所以建議使用 yfinance。
tejapi
tejapi 是台灣經濟新報 TEJ 推出的套件，需要付費，但可以申請試用。試用可下載的資料有限，所以不建議使用，本段只是作為記錄而以。
請到 TEJAPI 網站 https://api.tej.com.tw/trial.html 申請試用金鑰，申請時會傳送驗証碼到手機中，然後會將金鑰傳送到 eMail 中。
這組金鑰只能下載試用資料庫，資料庫名稱及欄位請由 https://api.tej.com.tw/datatables.html?db=TRAIL&t=%E8%A9%A6%E7%94%A8%E8%B3%87%E6%96%99%E5%BA%AB 查詢。我們選擇 “上市(櫃)未調整股價(日)” 查詢台積電的股價，試用金鑰只能查到 2022 一整年的資料。
請先安裝tejapi套件
pip install tejapi
程式碼使用 tejapi.get 取得資料，傳回的資料為 panda 格式，代碼如下
import tejapi
import pandas as pd
def getData(coid):
tejapi.ApiConfig.api_key = "your key"
tejapi.ApiConfig.ignoretz = True
mdate={'gte':'2020-01-01', 'lte':'2023-12-31'}
opts={'columns': ['coid','mdate','open_d','high_d','low_d','close_d','amount']}
data = tejapi.get('TRAIL/TAPRCD',
coid = coid,
mdate=mdate,
opts=opts,
paginate=True)
return data
display=pd.options.display
display.max_columns=None
display.max_rows=None
display.width=None
display.max_colwidth=None
print(getData(2330))
結果:
coid mdate open_d high_d low_d close_d amount
None
0 2330 2022-01-03 619.0 632.0 618.0 631.0 4.624972e+07
1 2330 2022-01-04 645.0 656.0 644.0 656.0 5.918820e+07
2 2330 2022-01-05 669.0 669.0 646.0 650.0 4.758283e+07
3 2330 2022-01-06 638.0 646.0 636.0 644.0 3.681764e+07
4 2330 2022-01-07 643.0 646.0 632.0 634.0 2.535824e+07
5 2330 2022-01-10 628.0 645.0 627.0 643.0 2.505214e+07
6 2330 2022-01-11 646.0 651.0 639.0 651.0 2.336159e+07
.......
Yahoo Finance
Yahoo Finance 提供 yfinance 套件讓 Python 可以免費下載台股資訊，這是最好用的套件。
安裝套件指令如下
pip install yfinance
yf.Ticker() 函數可以下載美股的資訊。
yf.download() 函數可下載台股資訊，函數中的 tickers 參數需給定要下載的股票代碼，比如
大盤 : “^TWII”
台積電 : “2330.TW”
電子股 : ” ^TELI”
相關股票代號可以由 https://tw.stock.yahoo.com/t/idx.php 查詢
下載代碼如下
import yfinance as yf
import pandas as pd
display=pd.options.display
display.max_columns=None
display.max_rows=None
display.width=None
display.max_colwidth=None
#df = yf.Ticker('AAPL').history(period = 'max')
df=yf.download("^TWII", start="2023-10-01", end="2023-10-22")
print(df)
結果:
[*********************100%%**********************] 1 of 1 completed
Date Open High Low Close Adj Close Volume
2023-10-02 16382.959961 16575.310547 16382.959961 16557.310547 16557.310547 2669600
2023-10-03 16520.240234 16571.660156 16453.800781 16454.339844 16454.339844 2697100
2023-10-04 16419.480469 16419.480469 16203.339844 16273.379883 16273.379883 2624800
2023-10-05 16313.889648 16477.609375 16313.889648 16453.519531 16453.519531 2503200
2023-10-06 16482.929688 16539.130859 16482.929688 16520.570312 16520.570312 2296800
2023-10-11 16567.429688 16729.500000 16567.429688 16672.029297 16672.029297 3635100
2023-10-12 16698.849609 16825.910156 16684.429688 16825.910156 16825.910156 2917100
2023-10-13 16815.910156 16815.910156 16726.429688 16782.570312 16782.570312 2955800
2023-10-16 16712.929688 16712.929688 16614.099609 16652.240234 16652.240234 2843500
2023-10-17 16678.279297 16770.640625 16618.300781 16642.550781 16642.550781 2965400
2023-10-18 16608.019531 16612.250000 16398.759766 16440.910156 16440.910156 3844900
2023-10-19 16416.539062 16479.349609 16382.400391 16452.730469 16452.730469 2608200
2023-10-20 16434.429688 16462.560547 16271.820312 16440.720703 16440.720703 3035200
yfinance 共有Date(日期)、Open(開盤)、High(最高)、Low(最低)、Close(收盤)、Adj Close(盤後交易)、Volume(交易量) 共 7 個欄位。
完整代碼
底下可繪出黃金期貨走勢圖及預測值，請先安裝如下套件
pip install plotly yfinance scikit-learn pandas
完整代碼如下
from datetime import datetime, timedelta
import pandas as pd
from dateutil.relativedelta import relativedelta
from sklearn.linear_model import LinearRegression
display=pd.options.display
display.max_columns=None
display.max_rows=None
display.width=None
display.max_colwidth=None
import yfinance as yf
import plotly.graph_objects as go
"""
大盤 : ^TWII
黃金期貨 : GC=F
"""
stock='GC=F'
df=yf.download(stock, start='2023-10-01', end='2024-05-12')
fig=go.Figure()
fig.add_trace(
go.Scatter(
x=df.index,
y=df['Close'].values,
mode='lines',
name='實際價格',
line=dict(color='royalblue', width=2)
)
)
ma1=5#5日平均線
ma2=10#10日平均線
df=df.dropna()
df['s1']=df['Close'].rolling(window=ma1).mean()
df['s2']=df['Close'].rolling(window=ma2).mean()
df=df.dropna()
train=df[['Close','s1','s2']]
train['next_day_price']=train['Close'].shift(-1)
train=train.dropna()
x_train=train[['s1', 's2']]
y_train=train['next_day_price']
model=LinearRegression()
model.fit(x_train, y_train)
df['predict_price']=model.predict(df[['s1', 's2']])
pred=df[['predict_price']]
s=(pred.tail(1).index+timedelta(days=1))[0]
dates=pd.date_range(s, periods=1)
pred.loc[dates[0]]=[0]
pred['predict_price']=pred['predict_price'].shift(1)
print(pred)
fig.add_trace(
go.Scatter(
x=pred.index,
y=pred['predict_price'].values,
mode='lines',
name='AI預測',
line=dict(color='orange', width=1)
)
)
current = datetime.now()
xrange = [(current - relativedelta(months=6)).strftime("%Y-%m-%d"), current.strftime("%Y-%m-%d")]
yrange = [df['Close'].tail(180).min(), df['Close'].tail(180).max()]
fig.update_layout(
dragmode="pan",
xaxis=go.layout.XAxis(
range=xrange,
rangeselector=dict(
buttons=list([
dict(count=1,
label="1 month",
step="month",
stepmode="backward"),
dict(count=6,
label="6 month",
step="month",
stepmode="backward"),
dict(count=1,
label="1 year",
step="year",
stepmode="backward"),
dict(count=1,
label="1 day",
step="day",
stepmode="todate"),
dict(step="all")
])
),
rangeslider=dict(
visible=True
),
type="date"
),
yaxis=dict(
fixedrange=False,
range=yrange
)
)
fig.show()
