[PyTorch] RNN, LSTM

📚 RNN을 이용한 KOSPI 주가 예측 

 

코스피 주가 데이터를 이용해서 주가 예측을 실시한다. 

 

📌 데이터/라이브러리 불러오기 

	import numpy as np
	import pandas as pd
	from sklearn.preprocessing import MinMaxScaler
	import torch
	import torch.nn as nn
	import torch.optim as optim
	import matplotlib.pyplot as plt
	from google.colab import drive
	drive.mount('/content/drive')
	cd drive/My\ Drive/파이토치 스터디
	df = pd.read_csv('kospi.csv')
	df.head()

총 413일의 시가, 종가, 최고가, 최저가에 대한 정보를 가지고 있다. 여기서는 종가인 Close 변수를 예측한다. 

 

 

📌스케일링 

	#종가 제외 스케일링
	scaler = MinMaxScaler()
	df[['Open', 'High', 'Low', 'Close', 'Volume']] = scaler.fit_transform(df[['Open','High', 'Low','Close','Volume']])

MinMaxScaler를 이용하여 스케일링을 실시한다. 

 

 

 

📌Train/Test 분리 및 텐서로 변경 

	device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
	device

GPU 사용 여부 확인 (코랩 사용) 

 

	#넘파이 배열로 변경
	x = df[['Open', 'High', 'Low', 'Volume']].values
	y = df['Close'].values
	#시퀀스 데이터 생성
	def seq_data(x, y, sequence_length):
	x_seq = []
	y_seq = []
	for i in range(len(x) - sequence_length):
	x_seq.append(x[ i : i + sequence_length])
	y_seq.append(y[i + sequence_length])
	#gpu용 텐서로 변환
	return torch.FloatTensor(x_seq).to(device), torch.FloatTensor(y_seq).to(device).view(-1,1)

 데이터를 우선 numpy 배열로 변경한다. 

그리고 train'/test를 분리하기 위한 함수를 정의한다. 여기서 sequence_length 는 time window를 나타낸다. 

time window가 3이면 [1,2,3], [2,3,4], [3,4,5] 순으로 3일씩 묶음으로 x 데이터가 구성된다. y 데이터는 각 묶음의 가장 마지막 날 바로 다음 날로 y_seq에 저장한다. 

 

 라인13에서 gpu용 텐서로 변환한다. view 부분은 2차원으로 변경하는 것인데, MSE Loss가 기본적으로 2차원 타깃 데이터를 받기 때문이다. 

 

	split = 200
	sequence_length=5
	x_seq, y_seq = seq_data(x, y, sequence_length)
	#순서대로 200개는 학습, 나머지는 평가
	x_train_seq = x_seq[:split]
	y_train_seq = y_seq[:split]
	x_test_seq = x_seq[split:]
	y_test_seq = y_seq[split:]
	print(x_train_seq.size(), y_train_seq.size())
	print(x_test_seq.size(), y_test_seq.size())

순서대로 200개는 학습, 200개는 테스트 셋으로 사용한다. 

 

 

x_train_seq 데이터를 살펴보면, 5일 단위로 각 변수들의 값이 묶여서 저장되어 있다. 

 

 

📌배치 형태로 변경 

	train = torch.utils.data.TensorDataset(x_train_seq, y_train_seq)
	test = torch.utils.data.TensorDataset(x_test_seq, y_test_seq)
	batch_size = 20
	train_loader = torch.utils.data.DataLoader(dataset=train, batch_size = batch_size, shuffle=True)
	test_loader = torch.utils.data.DataLoader(dataset=test, batch_size = batch_size)

DataLoader를 이용하여 배치 형태로 변경한다. 

 

 

📌 모델 구축 

source : 딥러닝을 위한 파이토치 입문, 딥러닝호형 저

 여기서는 위와 같은 구조의 RNN 모델을 생성한다. 

	#기본 하이퍼 파라미터 설정
	input_size = x_seq.size(2)
	num_lyaers = 2
	hidden_size = 8

 

	class VanillaRNN(nn.Module):
	def __init__(self, input_size, hidden_size, sequence_length, num_layers, device):
	super(VanillaRNN, self).__init__()
	self.device = device
	self.hidden_size = hidden_size
	self.num_layers = num_layers
	self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True) #한 줄로 모델 정의
	self.fc = nn.Sequential(nn.Linear(hidden_size * sequence_length, 1), nn.Sigmoid()) #RNN 층에서 나온 결과를 fc 층으로 전달해서 예측값 계산
	def forward(self, x):
	h0 = torch.zeros(self.num_layers, x.size()[0], self.hidden_size).to(self.device) #초기값 0으로 설정
	out,_ = self.rnn(x, h0)
	out = out.reshape(out.shape[0], -1)
	out = self.fc(out)
	return out

파이토치에서는 라인7에서와 같이 한 줄로 RNN 모델을 정의할 수 있다. 

nn.RNN의 원래 입력 형태는 길이x배치사이즈x변수 크기 이기 때문에 현재 (200,5,4) 크기의 데이터를 (5,200,4) 로 변경해야 하지만, 여기서는 batch_first 옵션을 사용하여 그대로 이용하였다. 

 

라인11 : 

RNN에는 이전 단계의 hidden vector가 다시 입력되는데, 맨 처음 단계에서는 이것이 존재하지 않으므로 0으로 된 값을 전달한다

 

라인12: 

맨 처음 time step에는 초기 벡터인 h0을 직접 전달한다. 

 

라인13 :

self.rnn 을 사용한다. 여기서는 many to many 방식으로 각 시간에 대한 예측값과 hidden vector를 계산한다. 

여기서는 은닉 상태는 사용하지 않고 예측값만 받기 위해서 _ 를 사용했다. 

 

라인14: 

모든 출력값을 1차원으로 만들어서 self.fc에 넣는다. 

 

 

 

 

📌정의한 RNN 모델 불러오기 

	model = VanillaRNN(input_size=input_size,
	hidden_size = hidden_size,
	sequence_length=sequence_length,
	num_layers=num_layers,
	device=device).to(device)

앞서 정의한 모델을 불러온다. GPU 연산을 위해서는 마지막에 to(device)를 입력해야 함. 

 

 

📌 손실함수 및 최적화 방법 정의 

	criterion = nn.MSELoss()
	num_epochs = 301
	optimizer = optim.Adam(model.parameters(), lr=1e-3)

MSE를 손실함수로 사용하고, 에폭은 301, Adam 옵티마이저를 사용함 

 

 

📌모델 학습 

	loss_graph = []
	n = len(train_loader)
	for epoch in range(num_epochs):
	running_loss = 0
	for data in train_loader:
	seq, target = data #배치 데이터
	out = model(seq) #출력값 계산
	loss = criterion(out, target) #손실함수 계산
	optimizer.zero_grad()
	loss.backward()
	optimizer.step() #최적화
	running_loss += loss.item()
	loss_graph.append(running_loss/n)
	if epoch % 100==0:
	print('[epoch : %d] loss: %.4f' %(epoch, running_loss/n))

 

 

	plt.figure(figsize=(20,10))
	plt.plot(loss_graph)
	plt.show()

 일반적인 지도학습과 동일한 방식으로 학습을 진행한다. train set의 loss를 확인하면 올바르게 학습이 진행된 것을 확인할 수 있다.

 

 

 

📌실제값과 예측값 그래프로 비교 

	concatdata = torch.utils.data.ConcatDataset([train, test])
	data_loader = torch.utils.data.DataLoader(dataset = concatdata, batch_size = 100)
	with torch.no_grad():
	pred = []
	model.eval()
	for data in data_loader:
	seq, target = data
	out = model(seq)
	pred += out.cpu().tolist()

라인1:

train, test 데이터를 하나의 그래프로 이어서 보기 위해서 concat 

 

라인4~:

예측값을 저장할 빈 텐서 pred를 만들고, 순차적으로 리스트를 저장하면서 이어붙인다. 

 

	plt.figure(figsize = (20,10))
	plt.plot(np.ones(100)*len(train), np.linspace(0,1,100), '--', linewidth=0.6)
	plt.plot(df['Close'][sequence_length:].values,'--')
	plt.plot(pred, 'b', linewidth = 0.6)
	plt.legend(['train_boundary','actual','prediction'])
	plt.show()

라인2:

train/test를 분리하는 선 그리기 

 

 

전반적으로 train set 부분은 학습이 잘 진행된 것을 확인할 수 있다. test set 부분에서는 급락 또는 급등하는 부분에서 완벽하게 변곡점을 예측하지 못하는 것을 알 수 있고, 일부 오른쪽으로 shift 된 것을 확인할 수 있다. 

 

 

---

📚 LSTM 

 

📌모델 정의 

 동일한 데이터를 사용해서 LSTM 으로 예측을 실시한다. 기본적인 전처리와 배치 형태로 만드는 단계까지 앞선 RNN 과 동일하다. 

 

	#하이퍼 파라미터 정의
	input_size = x_seq.size(2)
	num_layers = 2
	hidden_size = 8

	class LSTM(nn.Module):
	def __init__(self, input_size, hidden_size, sequence_length, num_layers, device):
	super(LSTM, self).__init__()
	self.device = device
	self.hidden_size = hidden_size
	self.num_layers = num_layers
	self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first = True)
	self.fc = nn.Linear(hidden_size*sequence_length ,1)
	def forward(self, x):
	h0 = torch.zeros(self.num_layers, x.size()[0], self.hidden_size).to(self.device)
	c0 = torch.zeros(self.num_layers, x.size()[0], self.hidden_size).to(self.device)
	out, _ = self.lstm(x,(h0,c0))
	out = out.reshape(out.shape[0], -1)
	out = self.fc(out)
	return out

라인 7:

RNN과 동일하게 파이노치에서는 한 줄로 LSTM 모델을 정의할 수 있다. 

 

라인11, 12: 
time step=0의 은닉 상태와 셀 상태를 0으로 입력한다. 

 

	model = LSTM(input_size = input_size,
	hidden_size=hidden_size,
	sequence_length=sequence_length,
	num_layers = num_layers,
	device=device).to(device)

모델을 불러온다. 

 

📌 손실함수 및 최적화 방법 정의 

	criterion = nn.MSELoss()
	num_epochs =401
	optimizer = optim.Adam(model.parameters(), lr=1e-3)

 

📌 모델 학습 

	loss_graph = []
	n = len(train_loader)
	for epoch in range(num_epochs):
	running_loss = 0.0
	for data in train_loader:
	seq, target = data # 배치 데이터
	out = model(seq)
	loss = criterion(out, target)
	optimizer.zero_grad()
	loss.backward()
	optimizer.step()
	running_loss += loss.item()
	loss_graph.append(running_loss/n)
	if epoch % 100 == 0:
	print('[epoch: %d] loss: %.4f' %(epoch, running_loss/n))

 

 

📌 예측 실시 후 그래프로 비교 1

	concatdata = torch.utils.data.ConcatDataset([train, test])
	data_loader = torch.utils.data.DataLoader(dataset=concatdata, batch_size=100, shuffle=False)
	with torch.no_grad():
	pred = []
	model.eval()
	for data in data_loader:
	seq, target = data
	out = model(seq)
	pred += out.cpu().tolist()
	plt.figure(figsize=(20,10))
	plt.plot(np.ones(100)*len(train),np.linspace(0,1,100),'--', linewidth=0.6)
	plt.plot(df['Close'][sequence_length:].values,'--')
	plt.plot(pred,'b', linewidth=0.6)
	plt.legend(['train boundary','actual','prediction'])
	plt.show()

 

RNN에 비해서 일부 구간에서는 개선된 성능을 확인할 수 있었으나, 급등/급락 장의 예측에는 취약하다. 

 

 

 

---

📚  Reference

 

딥러닝을 위한 파이토치 입문, 딥러닝호형 저, 영진닷컴