Nifty Prediction

Prédiction du cours des actions des sociétés Nifty 50

Membres du groupe

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

---

Guide du projet

• Prof. comme Kunte

---

Contenu

Répertoire principal

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

1. Documents Documents

Contient des rapports, PPT et Journal du projet de ⁷ et 8 ^e semestre.

Répertoire de documents

 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. Folder Nifty-50-Prediction

Contient suivant les fichiers et dossiers du projet DJango.

Nifty-50-Prediction Directory

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

• Stock_prediction

Le projet Django contient certaines configurations qui s'appliquent au projet dans son ensemble, telles que les paramètres du projet, les URL, les modèles partagés et les fichiers statiques. Chaque application peut avoir sa propre base de données et a ses propres fonctions pour contrôler la façon dont les données sont affichées à l'utilisateur dans les modèles HTML.
Stock_prediction Directory

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

• LSTM

Il s'agit d'un type spécial de réseau neuronal récurrent capable d'apprendre des dépendances à long terme dans les données. Ceci est réalisé car le module récurrent du modèle a une combinaison de quatre couches interagissant les uns avec les autres.
répertoire LSTM

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

Notre modèle LSTM
Le code suivant est 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 )

Prédiction pendant 30 jours
Le code suivant est 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 

• action

Une application Django est un package Python spécifiquement destiné à être utilisé dans un projet Django. Une application peut utiliser des conventions Django courantes, telles que les modèles, les tests, les URL et les sous-modules de vues.
répertoire 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 est une bibliothèque de logiciels qui fournit un système de gestion de base de données relationnel. Le Lite dans SQLite signifie léger en termes de configuration, d'administration de la base de données et de ressources requises. SQLite a les fonctionnalités notables suivantes: autonome, sans serveur, zéro configuration, transactionnel.
Nous utilisons SQLite3 pour gérer l'authentification des utilisateurs

• manage.py

Un utilitaire de ligne de commande qui vous permet d'interagir avec ce projet Django de diverses manières. Vous pouvez lire tous les détails sur Manage.py dans django-admin et manage.py. Le répertoire intérieur MySite / est le package Python réel de votre projet.

• nifty50companies.csv

Fichier CSV contenant la liste des sociétés Nifty 50 avec leur symbole respectif

3. Folder des modèles

Contient des expériences avec des modèles

Répertoire des modèles

 models
|   NiftyPrediction.ipynb
|   NiftyPrediction.ipynb

4. Folder de captures d'écran

Contient des captures d'écran de l'interface utilisateur

Page d'accueil / de connexion	Page d'inscription

Prédiction	Section des nouvelles

---

Bibliothèques requises

• django Django est un cadre Web Python de haut niveau qui encourage un développement rapide et une conception pragmatique propre.
• nsepy NSEPY est une bibliothèque pour extraire les données historiques et en temps réel du site Web de NSE.
• outils sklearn simples et efficaces pour l'analyse des données prédictives
• tenserflow TensorFlow est une plate-forme open source de bout en bout pour l'apprentissage automatique.
• keras Keras est une API d'apprentissage en profondeur écrite en Python, fonctionnant sur la plate-forme d'apprentissage automatique TensorFlow.
• datetime Le module DateTime fournit des classes pour manipuler les dates et les heures.

---

Contributeurs

Sanket-Kumbhare	swankhede	Nihalbhopatrao	kgce-git

---