Modelleme yaparak hisse senedi tahmini oluşturma (Python)

Bu yazımızda hisse senedi fiyat tahminini gerçekleştiren, tahminlerin görselleştirilmesini ve gelecekteki trendleri tahmin etmeyi sağlayan oldukça kapsamlı bir uygulama oluşturacağız.

Öncelikli olarak kullandığımız kütüphanelere ve açıklamalara bakalım;

Kütüphaneler ve Modüllerin İçe Aktarılması:
- numpy, pandas, plotly.graph_objs, MinMaxScaler ve diğer gerekli modülleri içe aktarıyoruz.
- keras kütüphanesinden load_model fonksiyonunu içe aktarıyoruz.
- pandas_datareader ile finansal verileri çekmek için data adını kullanacağız.
- yfinance ile verileri hızlı bir şekilde çekmek için yf adını kullanacağız.
- datetime ve timedelta ile tarih ve zaman işlemleri yapacağız.
- streamlit ile interaktif web arayüzü oluşturacağız.
Veri Alma Fonksiyonu (get_data):
- ticker (hisse senedi sembolü) ve start_date (veri çekmeye başlanacak tarih) parametrelerini kullanarak hisse senedi verilerini çeken bir fonksiyon.
- Çekilen veriyi raw_price_df adında bir DataFrame olarak döndürüyor.
Veriyi Çizme Fonksiyonu (plot_data):
- df adında bir DataFrame alarak, hisse senedi fiyatlarını çizmek için plotly kütüphanesini kullanıyor.
- Her sütununun (Kapanış fiyatı, özellikle tahmin ve tahminler) grafiği çiziliyor.
Açık ve Kapalı Günleri Hesaplama Fonksiyonu (get_previous_and_next_open_days):
- Bir tarih alarak, önceki ve sonraki açık günleri hesaplayan bir fonksiyon.
- Hafta sonları veya tatil günlerine göre hesaplama yapar.
Veri Setini Oluşturma Fonksiyonu (create_dataset):
- Veriyi LSTM modeli için uygun bir şekilde zaman serisi veri setine dönüştüren bir fonksiyon.
- Girdi verilerini X ve çıktı verilerini y olarak ayarlar.
Tahminleri Hesaplama ve Görselleştirme Fonksiyonu (get_pred_price_history):
- Modeli kullanarak hisse senedi fiyatlarını tahmin eden ve görselleştiren bir fonksiyon.
- Tahmin sonuçları grafikle gösterilir ve tahminlerin gerçek değerlerle karşılaştırması yapılır.
Tahmin ve Trend Görselleştirme Fonksiyonu (get_forecast):
- Gelecekteki trendleri tahmin eden ve tahminleri görselleştiren bir fonksiyon.
- Döngü ile belirli bir süre için tahminler yapar ve sonuçları DataFrame’e ekler.
Ana Program (__name__ == "__main__"):
- Streamlit uygulamasının ana bölümü.
- Kullanıcıya hisse senedi sembolü seçme ve tahmin gün sayısını belirleme olanağı sağlar.
- Verileri çeker, tahminleri yapar ve sonuçları web arayüzünde gösterir.

import numpy as np
import pandas as pd
import plotly.graph_objs as go
from sklearn.preprocessing import MinMaxScaler
from keras.models import load_model
from pandas_datareader import data as pdr
import yfinance as yf
from datetime import datetime, timedelta
import streamlit as st



@st.cache_data
def get_data(ticker, start_date):
  tomorrow_date = (datetime.today() + timedelta(days=1)).strftime('%Y-%m-%d')
  raw_price_df = pdr.get_data_yahoo(ticker, start = start_date, end = tomorrow_date)

  return raw_price_df


def plot_data(df, title=''):
  fig = go.Figure()
  for i in df.columns:
    if i != 'Date':
      fig.add_trace(go.Scatter(x = df['Date'], y = df[i], name = i))

  if title: 
    fig.update_layout(title_text = title)

  fig.update_layout(
    xaxis_title = 'Time',
    yaxis_title = 'Close Price USD ($)'
  )

  st.plotly_chart(fig)


def get_previous_and_next_open_days(date_str):
    # Convert the input date string to a datetime object
    date = datetime.strptime(date_str, '%Y-%m-%d').date()

    # Define a list of public holidays
    public_holidays = [
        datetime(2023, 1, 2),   # New Year's Day (observed)
        datetime(2023, 1, 16),  # Martin Luther King Jr. Day
        datetime(2023, 2, 20),  # Presidents' Day
        datetime(2023, 4, 14),  # Good Friday
        datetime(2023, 5, 29),  # Memorial Day
        datetime(2023, 7, 4),   # Independence Day (observed)
        datetime(2023, 9, 4),   # Labor Day
        datetime(2023, 11, 23), # Thanksgiving Day
        datetime(2023, 12, 25)  # Christmas Day
    ]

    previous_open_day = date
    next_open_day = date

    # Calculate the previous and next available stock market open days
    if date.weekday() in [5, 6] or date in public_holidays:
        while previous_open_day.weekday() in [5, 6] or previous_open_day in public_holidays:
            previous_open_day -= timedelta(days=1)

        while next_open_day.weekday() in [5, 6] or next_open_day in public_holidays:
            next_open_day += timedelta(days=1)

    elif date.weekday() == 4:
        previous_open_day -= timedelta(days=1)
        next_open_day += timedelta(days=3)

    elif date.weekday() == 0:
        previous_open_day -= timedelta(days=3)
        next_open_day += timedelta(days=1)

    else:
        previous_open_day -= timedelta(days=1)
        next_open_day += timedelta(days=1)

    # Return the previous and next available stock market open days as strings
    return previous_open_day.strftime('%Y-%m-%d'), next_open_day.strftime('%Y-%m-%d')


# convert an array of values into a dataset matrix
def create_dataset(array_data, time_steps=1):

  X, y = [], [] # become a list

  for i in range(time_steps, len(array_data)):
      X.append(array_data[i-time_steps:i, 0]) # its a 2D array => [row, col]
      y.append(array_data[i, 0])

  # return the new dataset
  return np.array(X), np.array(y) # convert into np array for RNN inputs

   
@st.cache_data
def get_pred_price_history(_model, price_df):
   # Prepare the data
    past_data = np.array(price_df['Close']).reshape(-1,1)

    # Scale the data
    sc = MinMaxScaler(feature_range = (0, 1))
    past_data_scaled = sc.fit_transform(past_data)

    # Split the data into train and test sets
    X_pred, _ = create_dataset(past_data_scaled, time_steps)

    # Reshape the data
    X_pred = np.reshape(X_pred, (X_pred.shape[0], X_pred.shape[1], 1)) # add a new dimensionality to be compatible with the 3D tensor input shape of RNN and allow more indicators

    # Make predictions
    y_pred = _model.predict(X_pred)

    # Unscale the data
    predictions_array = sc.inverse_transform(y_pred)
    predictions_list = predictions_array.reshape(-1).tolist()

    # Create next day prediction column
    price_df = price_df.rename(columns={'Close': 'Actual Closing Price'})

    predictions_list = [np.nan] * time_steps + predictions_list
    price_df['Next Day Prediction'] = predictions_list

    # Display RMSE
    previous_price = np.array(price_df['Actual Closing Price']).reshape(-1,1)
    previous_price = previous_price[time_steps:]
    rmse = np.sqrt(((predictions_array - previous_price) ** 2).mean())

    return price_df, past_data_scaled, sc, rmse


def get_forecast(_model, price_df, past_data_scaled, sc, previous_date):
  one_year_ago = datetime.now() - timedelta(days=365)
  pred_df = price_df[price_df['Date'] > one_year_ago]
  forecast_list = [np.nan] * pred_df.shape[0]
  pred_df[f'Next {pred_days} Days Forecast'] = forecast_list

  forecast_input = past_data_scaled[-time_steps:]

  # Append the dataframe of forecast data to the dataframe of the past stock data
  for _ in range(pred_days):
    X_input = forecast_input[-time_steps:]

    # Reshape the data
    X_input = np.reshape(X_input, (1, X_input.shape[0], X_input.shape[1]))

    # Get the scaled predicted price
    output_scaled = _model.predict(X_input)

    # add new row to existing input data for prediction
    forecast_input = np.vstack((forecast_input, output_scaled))

    # Unscaled
    output = sc.inverse_transform(output_scaled)

    # get tmr date
    _, previous_date = get_previous_and_next_open_days(previous_date)
    print(f'Predicted price on {previous_date}: {output[0][0]}')

    # Create a new row for the current day
    new_row = {'Date': previous_date, 
              'Actual Closing Price': np.nan,
              'Next Day Prediction': np.nan, 
              f'Next {pred_days} Days Forecast': output[0][0]}

    # Append the new row to the input data DataFrame
    pred_df = pd.concat([pred_df, pd.DataFrame([new_row])], ignore_index=True)

  pred_df.loc[pred_df['Date'] == next_open_day, 'Next Day Prediction'] = pred_df.loc[pred_df['Date'] == next_open_day, f'Next {pred_days} Days Forecast']
  
  return pred_df



if __name__ == "__main__":
      
  ############################################################ MAIN PAGE widgets ############################################################

  st.title("📈 Hisse Senedi Trend Tahmini")
  st.markdown("""Bu uygulama, kullanıcıların bir hisse senedi senedi seçmesi ve bir sonraki günün hisse senedi fiyat tahminini görselleştirmesinin yanı sıra Uzun Kısa Süreli Bellek (LSTM) sinir ağlarını kullanarak gelecekteki eğilimleri tahmin etmesi için bir web uygulaması arayüzü sağlar.🧠""")

  st.divider()

  yf.pdr_override() # download data faster

  time_steps = 60

  # download dataframe
  ticker = st.selectbox(
    'Model Hisselerimiz',
    ('AAPL', 'TSLA', 'GOOGL', 'AMZN', 'JPM', 'IVV', 'META', 'NVDA', 'BRK-B'))


  if ticker:
    model = load_model(f'models/{ticker}_model.h5')

    with st.spinner(f'Loading {ticker} stock data from Yahoo Finance ...'):
      raw_price_df = get_data(ticker, '2010-01-01')
      price_df = raw_price_df.reset_index()[['Date', 'Close']]
      previous_date = (price_df.iloc[-1]['Date']).strftime('%Y-%m-%d')
      _, next_open_day = get_previous_and_next_open_days(previous_date)

    # describe dataframe
    st.subheader(f'Data from 2010-01-01 to {previous_date}')
    st.write(raw_price_df.describe())

    st.write(f'Previous Open Day:  {previous_date}')
    st.write(f'Next Open Day:  {next_open_day}')


    st.divider()


    st.subheader(f'{ticker} Stock Price History')

    with st.spinner(f'Predicting {ticker} Stock Price ...'):
      price_df, past_data_scaled, sc, rmse = get_pred_price_history(model, price_df)
      plot_data(price_df)
      st.write(f"Root Mean Squared Error on Stock Price HIstory: ${rmse} ")
    

    st.divider()


    st.subheader('Hisse Senedi Trend Tahmini')

    # Forecasting market trend
    pred_days = st.slider('Days of Prediction', 0, 100, 10, 5)

    if st.button('Predict'):

      with st.spinner(f'Forecasting {pred_days}-day Trend...'):
        pred_df = get_forecast(model, price_df, past_data_scaled, sc, previous_date)

      # Plot a graph of actual closing price vs predicted price
      plot_data(pred_df, f'Next {pred_days} Days Forecast')

      st.dataframe(pred_df.tail(pred_days).drop(columns='Actual Closing Price').set_index('Date'))

Örnek çıktılarımız: