Nifty Prediction

Predicción del precio de las acciones de Nifty 50 Companies

Miembros del grupo

• Nihal N. Bhopatrao (Rollo No. 5)
• Sanket R. Kumbhare (Rollo No. 36)
• Shashank D. Wankhede (Rollo No. 59)

---

Guía

• Prof. como Kunte

---

Contenido

Directorio principal

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

1. Carpeta de documentos

Contiene informes, PPT y Diarios de Proyecto del semestre ⁷ y ⁸ .

Directorio de documentos

 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. Carpeta de predicción de Nifty-50

Contiene siguientes archivos y carpetas del proyecto Django.

Directorio de predicción de Nifty-50

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

• Stock_predicción

El proyecto Django contiene algunas configuraciones que se aplican al proyecto en su conjunto, como la configuración del proyecto, las URL, las plantillas compartidas y los archivos estáticos. Cada aplicación puede tener su propia base de datos y tiene sus propias funciones para controlar cómo se muestran los datos al usuario en plantillas HTML.
Directorio de stock_predicción

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

• LSTM

Es un tipo especial de red neuronal recurrente que es capaz de aprender dependencias a largo plazo en los datos. Esto se logra porque el módulo recurrente del modelo tiene una combinación de cuatro capas que interactúan entre sí.
directorio LSTM

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

Nuestro modelo LSTM
El siguiente código es de 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 )

Predicción durante 30 días
El siguiente código es de 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 

• existencias

Una aplicación Django es un paquete Python que está destinado específicamente a su uso en un proyecto Django. Una aplicación puede usar convenciones de Django comunes, como tener modelos, pruebas, URL y vistas submódulos.
directorio de stock

 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 es una biblioteca de software que proporciona un sistema de gestión de bases de datos relacionales. El Lite en SQLite significa liviano en términos de configuración, administración de la base de datos y recursos requeridos. SQLite tiene las siguientes características notables: autónomo, sin servidor, configuración cero, transaccional.
Estamos utilizando SQLITE3 para administrar la autenticación del usuario

• administrar.py

Una utilidad de línea de comandos que le permite interactuar con este proyecto Django de varias maneras. Puede leer todos los detalles sobre Manage.py en Django-Admin y Manage.py. El directorio/ directorio interno es el paquete de Python real para su proyecto.

• NIFTY50COMPANIES.CSV

Archivo CSV que contiene la lista de Nifty 50 Companies con su símbolo respectivo

3. Carpeta de modelos

Contiene experimentos con modelos

directorio de modelos

 models
|   NiftyPrediction.ipynb
|   NiftyPrediction.ipynb

4. Carpeta de capturas de pantalla

Contiene capturas de pantalla de la interfaz de usuario

Página de inicio/inicio de sesión	Página de registro

Predicción	Sección de noticias

---

Bibliotecas requeridas

• django Django es un marco web de Python de alto nivel que fomenta un desarrollo rápido y un diseño limpio y pragmático.
• nsepy NSEPY es una biblioteca para extraer datos históricos y en tiempo real del sitio web de NSE.
• sklearn Herramientas simples y eficientes para el análisis de datos predictivos
• tenserflow TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático.
• keras Keras es una API de aprendizaje profundo escrita en Python, que se ejecuta en la parte superior de la plataforma de aprendizaje automático TensorFlow.
• datetime El módulo DateTime suministra clases para manipular fechas y horarios.

---

Colaboradores

Sanket-kumbhare	viciacabeza	nihalbhopatrao	kgce-git

---