Nifty Prediction

Aktienkursvorhersage von raffinierten 50 Unternehmen

Gruppenmitglieder

• Nihal N. Bhopatrao (Rolle Nr. 5)
• Sanket R. Kumbhare (Roll Nr. 36)
• Shashank D. Wankhede (Roll Nr. 59)

---

Projektleitfaden

• Prof. als Kunte

---

Inhalt

Hauptverzeichnis

 Nifty-Prediction  
└───Documents
└───Nifty-50-Prediction
└───models
└───Screenshots

1. Dokumente Ordner

Enthält Berichte, PPT- und Projektagebücher vom ^7. und ^8. Semester.

Dokumente Verzeichnis

 Documents
|   7th sem project diary smpp.pdf
|   PPT Sem8 Stock Market Prediction.pdf
|   Project Report Stock Market Prediction.pdf
|   Sem 8 Project Diary.pdf
|   Sem8 report stock Price Prediction.pdf
|   Stock Market Prediction PPT-converted.pptx 

2. Ordner Nifty-50-Vorhersage

Enthält folgende Django -Projektdateien und -ordner.

Nifty-50-Vorhersageverzeichnis

 Nifty-50-Prediction
└───Stock_Prediction
└───lstm
└───stock
|   db.sqlite3
|   manage.py
|   nifty50Companies.csv 

• Stock_prediction

Das Django -Projekt enthält einige Konfigurationen, die für das gesamte Projekt gelten, z. B. Projekteinstellungen, URLs, gemeinsam genutzte Vorlagen und statische Dateien. Jede Anwendung kann eine eigene Datenbank haben und verfügt über eigene Funktionen, um zu steuern, wie die Daten dem Benutzer in HTML -Vorlagen angezeigt werden.
Stock_Prediction Directory

 Stock_Prediction
|   __init__.py
|   asgi.py
|   settings.py
|   urls.py
|   wsgi.py

• lstm

Es ist eine besondere Art von wiederkehrenden neuronalen Netzwerk, das in der Lage ist, langfristige Abhängigkeiten von Daten zu lernen. Dies wird erreicht, da das wiederkehrende Modul des Modells eine Kombination von vier miteinander interagierenden Schichten aufweist.
LSTM -Verzeichnis

 lstm
|   RunModel.py
|   TrainModel.py
|   lstmModel_final.json
|   weights_final.h5

Unser LSTM -Modell
Der folgende Code stammt von Trainmodel.py

 model = Sequential ()
model . add ( LSTM ( 64 , activation = 'relu' , return_sequences = True , input_shape = ( n_steps , n_features )))
model . add ( LSTM ( 64 , activation = 'relu' ))
model . add ( Dense ( 1 ))
model . compile ( optimizer = 'adam' , loss = 'mse' ,)
model . fit ( X , y , epochs = 30 , verbose = 1 )

Vorhersage für 30 Tage
Der folgende Code stammt von Runmodel.py

 def getNext30Days ( self ):
        self . __inputHandler ()
        dataset = self . data
        dataset = dataset [ 'Close' ]. values
        dataset = dataset [ len ( dataset ) - 30 :]
        n_features = 1
        n_steps = 30
        past_days = 30
        # demonstrate prediction for next 30 days
        x_input = np . array ( dataset . tolist ())
        temp_input = list ( x_input )
        lst_output = []
        i = 0
        while ( i < 30 ):

            if ( len ( temp_input ) > past_days ):
                x_input = np . array ( temp_input [ 1 :])
                x_input = x_input . reshape (( 1 , n_steps , n_features ))
                yhat = self . model . predict ( x_input , verbose = 0 )
                temp_input . append ( yhat [ 0 ][ 0 ])
                temp_input = temp_input [ 1 :]
                lst_output . append ( yhat [ 0 ][ 0 ])
                i = i + 1
            else :
                x_input = x_input . reshape (( 1 , n_steps , n_features ))
                yhat = self . model . predict ( x_input , verbose = 0 )
                temp_input . append ( yhat [ 0 ][ 0 ])
                lst_output . append ( yhat [ 0 ][ 0 ])
                i = i + 1
        print ( lst_output )
        predictions = lst_output
        return predictions 

• Aktie

Eine Django -Anwendung ist ein Python -Paket, das speziell für die Verwendung in einem Django -Projekt bestimmt ist. Eine Anwendung kann gemeinsame Django -Konventionen verwenden, z. B. Modelle, Tests, URLs und Ansichten Submodule.
Aktienverzeichnis

 stock
└───migrations
└───templates
|   |   base.html
|   |   home.html
|   |   signup.html
|   __init__.py
|   admin.py
|   apps.py
|   forms.py
|   models.py
|   tests.py
|   views.py

• db.sqlite3

SQLite3 ist eine Softwarebibliothek, die ein relationales Datenbankverwaltungssystem bietet. Der Lite in SQLite bedeutet in Bezug auf Setup, Datenbankverwaltung und erforderliche Ressourcen leicht. SQLite hat die folgenden merklichen Merkmale: in sich geschlossen, serverlos, null Konfiguration, Transaktions.
Wir verwenden SQLite3 zur Verwaltung der Benutzerauthentifizierung

• verwalten.py

Ein Befehlszeilen-Dienstprogramm, mit dem Sie auf verschiedene Weise mit diesem Django-Projekt interagieren können. Sie können alle Details zu verwalten.py in Django-admin und verwalten.py lesen. Das innere MySite/ Verzeichnis ist das eigentliche Python -Paket für Ihr Projekt.

• Nifty50Companies.csv

CSV

3. Modelle Ordner

Enthält Experimente mit Modellen

Models Verzeichnis

 models
|   NiftyPrediction.ipynb
|   NiftyPrediction.ipynb

4. Screenshots Ordner

Enthält Screenshots der Benutzeroberfläche

Home/Login -Seite	Anmeldeseite

Vorhersage	Nachrichtenabteilung

---

Erforderliche Bibliotheken

• django Django ist ein hochrangiges Python-Web-Framework, das eine schnelle Entwicklung und ein sauberes, pragmatisches Design fördert.
• nsepy NSEPY ist eine Bibliothek, in der historische und Echtzeitdaten von der NSE -Website extrahiert werden.
• sklearn einfache und effiziente Tools zur Vorhersagedatenanalyse
• tenserflow TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen.
• keras Keras ist eine in Python geschriebene Deep -Learning -API, die auf der Tensorflow der maschinellen Lernplattform ausgeführt wird.
• datetime Das DateTime -Modul liefert Klassen zum Manipulieren von Daten und Zeiten.

---

Mitwirkende

Sanket-Kumbhare	Swankhede	Nihalbhopatrao	KGCE-GIT

---