ตัวอย่างการสร้าง machine learning พยากรณ์ราคาหุ้น บน เว็บไซต์ ด้วย tensorflow.js ( neural network , deep learning )
Machine Learning นับว่าเข้ามามีส่วนในชีวิตของเรามากขึ้นจึงจำเป็นอย่างยิ่งที่ เราจะต้องศึกษาการเขียนโปรแกรมลักษณะนี้ ในตัวอย่างนี้ จะแสดงตัวอย่างการพยากรณ์ราคาหุ้นด้วย javascript โดยแสดงผลอยู่บน ( ในที่นี้จะใช้ราคาหุ้น CPF ) บนเว็บไซต์ ซึ่งจะใช้ tensorflow.js ซึ่งคือ neural network และ deep learning library ซึ่งพัฒนาโดย google ดังนี้
ตัวอย่าง source code
https://jsfiddle.net/zqyhx7pm/2/
<!DOCTYPE html>
<html lang="en">
<head>
<title>TensorFlow</title>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width, initial-scale=1">
<!-- IMPORT bootstrap และ jquery -->
<link rel="stylesheet" href="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/css/bootstrap.min.css">
<script src="https://code.jquery.com/jquery-3.3.1.slim.min.js" ></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/popper.js/1.14.7/umd/popper.min.js" ></script>
<script src="https://stackpath.bootstrapcdn.com/bootstrap/4.3.1/js/bootstrap.min.js" ></script>
<!-- IMPORT tensorflow.js -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@1.0.0/dist/tf.min.js"></script>
<!-- IMPORT ประวัติราคาหุ้น CPF -->
<script src="https://xn--12cb3ech1bdffb0m0b3iuam.net/stock/cpf_history.js"></script>
</head>
<body>
<div class="container" >
<div class="card">
<div class="card-body">
<!---- แสดงสถานะการ train --->
<div class="row">
<div class="col-sm-6">
<div>Epoch: <input class="form-control form-control-sm" id="train-epoch" readonly="true"></input></div>
</div>
<div class="col-sm-6">
<div>Training loss: <input id="train-loss" class="form-control form-control-sm" readonly="true"></input></div>
</div>
</div>
<!---- div สำหรับแสดงผลการทดสอบ model --->
<div id="result_div" ></div>
</div>
</div>
<!---- div สำหรับแสดงว่ากำลัง train อยู่ --->
<div id="traning_div" class="alert alert-warning">Training</div>
<!---- ตารางแสดงข้อมูลดิบที่ใช้ train model --->
<table class="table table-border table-sm" id="raw_data" >
<tr class="table-active">
<td>Date</td>
<td>Open</td>
<td>High</td>
<td>Low</td>
<td>Close</td>
</tr>
</table>
<script>
var input_data=[];//สร้างตัวแปร array สำหรับเก็บ input สำหรับ tarin model ที่เป็นประวัติราคา
var output_data=[];//สร้างตัวแปร array สำหรับเก็บ output สำหรับ tarin model ที่เป็นราคาปิด
var test_input_data=[];//สร้างตัวแปร array สำหรับเก็บ input สำหรับทดสอบ model ที่เป็นประวัติราคา
var test_output_data=[];//สร้างตัวแปร array สำหรับเก็บ output สำหรับทดสอบ model ที่เป็นราคาปิด
var critical= Math.round(cpf.length*0.8) ;//แบ่งจำนวน train-data 80% และ test-data 20%
cpf.map((item,i)=>{ //อ่านข้อมูลประวัติราคาทีละแถว
//แสดงประวัติราคา ในตาราง
$("#raw_data").append(`<tr >
<td>`+item.Date+`</td>
<td>`+item.Open+`</td>
<td>`+item.High+`</td>
<td>`+item.Low+`</td>
<td>`+item.Close+`</td>
</tr>`);
if(i<=critical)//สำหรับข้อมูล 80% จะเป็นข้อมูลสำหรับ train
{
input_data.push([item.Open,item.High,item.Low]);//ใช้ข้อมูล ราคา Open ราคา High ราคา Low เป็น ตัวแปรสำหรับทำนาย
output_data.push(item.Close);
}
else//สำหรับข้อมูลอีก 20% จะเป็นข้อมูลสำหรับ ทดสอบ model
{
test_input_data.push([item.Open,item.High,item.Low]);
test_output_data.push(item.Close);
}
});
var train_data = tf.tensor2d(input_data);//สร้าง tensor object ประวัติราคา สำหรับ train model
var result_data = tf.tensor1d(output_data);//สร้าง tensor object ผลลัพธ์ สำหรับ train model
var test_data = tf.tensor2d(test_input_data);//สร้าง tensor object ประวัติราคา สำหรับทดสอบ model
var test_output= tf.tensor1d(test_output_data);//สร้าง tensor object ผลลัพธ์ สำหรับทดสอบ model
//สร้าง model neural network สำหรับพยากรณ์ โดยมี 3 Layer แต่ละ Layer มี 3 Node
var model = tf.sequential();
model.add(tf.layers.dense({
inputShape: 3,
activation: "linear",
units: 3 ,
}));
model.add(tf.layers.dense({
inputShape: 3,
activation: "linear",
units: 3 ,
}));
model.add(tf.layers.dense({
inputShape: 3,
activation: "linear",
units: 1 ,
}));
model.compile({
loss: "meanSquaredError",// เช่น ค่าจริง 3 ผลเป็น 5 meanSquaredError คือ (5-3)ยกกำลัง2
optimizer: tf.train.adam(0.01),//สุ่มเลขเปลี่ยนทีละ 0.01
});
model.fit(train_data, result_data, {epochs:500, callbacks: { onEpochEnd: async (epoch, logs) => {
//แสดง Update สถานะการสร้าง model แต่ละ epco
document.getElementById('train-epoch').value = (epoch + 1)+" / 500";
document.getElementById('train-loss').value = logs.loss.toFixed(4);
} },} ).then((history) => {
var predict=model.predict(test_data);//ทดสอบ Model โดยใช้ test_data ที่เก็บเอาไว้
console.log(predict.dataSync());
var result_predict=predict.dataSync();//สร้างตัวแปรเก็บราคาปิดที่เป็นผลลัพธ์ของการพยากรณ์
var real_result=test_output.dataSync();//สร้างตัวแปรเก็บราคาปิดจริง
var predict_html=`<br /><h4>ทดสอบ Model</h4><table class='table table-sm'>
<tr class='table-active'>
<td>Open</td>
<td>High</td>
<td>Low</td>
<td>Close</td>
<td>ราคาClose ที่พยากรณ์ได้</td>
</tr>
`;
//วน loop ราคาที่พยากรณ์ได้เทียบกับราคาจริง
for(var i=0;i<result_predict.length;i++)
{
//หาเปอร์เซ็นความผิดพลาดของราคาจริงกับราคาที่พยากรณ์ได้
var diff_percent=(Math.abs(real_result[i]-result_predict[i])/real_result[i])*100;
//แสดงแถวข้อมูลราคาที่พยกรณ์ได้เทียบกับราคาจริง
predict_html+=`
<tr>
<td> `+test_input_data[i][0]+`</td>
<td> `+test_input_data[i][1]+`</td>
<td> `+test_input_data[i][2]+`</td>
<td> `+real_result[i]+` </td>
<td> `+result_predict[i].toFixed(2)+`<div class='text-danger' >( ผิดพลาด `+diff_percent.toFixed(2)+` % )</div>`+` </td>
</tr>
`;
}
predict_html+=`</table><br />`;
$("#result_div").html(predict_html);//แสดงตารางผลการทดสอบ Model
$("#traning_div").remove();//เมื่อพยากรณ์เสร็จแล้ว นำ div สำหรับแสดงว่ากำลัง train อยู่ ออก
});
</script>
</div>
</body>
</html>
ผลลัพธ์ที่ได้คือ
