Nifty Prediction

Previsão de preços das ações de nifty 50 empresas

Membros do grupo

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

---

Guia do projeto

• Prof. Como Kunte

---

Contente

Diretório principal

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

1. Pasta de documentos

Contém relatórios, PPT e diários de projeto de ⁷ e ^8º semestre.

Diretório 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. Pasta Nifty-50-Prediction

Contém os seguintes arquivos e pastas do projeto Django.

Diretório Nifty-50-Prediction

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

• Stock_prediction

O projeto Django mantém algumas configurações que se aplicam ao projeto como um todo, como configurações de projeto, URLs, modelos compartilhados e arquivos estáticos. Cada aplicativo pode ter seu próprio banco de dados e possui suas próprias funções para controlar como os dados são exibidos ao usuário nos modelos HTML.
Diretório de Stock_Prediction

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

• LSTM

É um tipo especial de rede neural recorrente capaz de aprender dependências de longo prazo nos dados. Isso é alcançado porque o módulo recorrente do modelo tem uma combinação de quatro camadas interagindo entre si.
diretório LSTM

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

Nosso modelo LSTM
O código a seguir é 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 )

Previsão por 30 dias
O código a seguir é 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 

• estoque

Um aplicativo Django é um pacote Python destinado especificamente para uso em um projeto Django. Um aplicativo pode usar convenções de Django comuns, como modelos, testes, URLs e submódulos de visualizações.
Diretório de ações

 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

O SQLITE3 é uma biblioteca de software que fornece um sistema de gerenciamento de banco de dados relacional. O Lite em SQLite significa leve em termos de configuração, administração de banco de dados e recursos necessários. O SQLite possui os seguintes recursos perceptíveis: independente, sem servidor, configuração zero, transacional.
Estamos usando o SQLITE3 para gerenciar a autenticação do usuário

• gerencia.py

Um utilitário de linha de comando que permite interagir com este projeto Django de várias maneiras. Você pode ler todos os detalhes sobre gerenciar.py em django-admin e gerenciar.py. O mysite/ diretório interno é o pacote Python real para o seu projeto.

• nifty50companies.csv

Arquivo CSV contendo a lista de Nifty 50 empresas com seu respectivo símbolo

3. Pasta de modelos

Contém experimentos com modelos

diretório de modelos

 models
|   NiftyPrediction.ipynb
|   NiftyPrediction.ipynb

4. Pasta de captura de tela

Contém capturas de tela da interface do usuário

Página de login em casa/Login	Página de inscrição

Previsão	Seção de notícias

---

Bibliotecas necessárias

• django Django é uma estrutura de alto nível do Python que incentiva o desenvolvimento rápido e o design limpo e pragmático.
• nsepy NSEPY é uma biblioteca para extrair dados históricos e em tempo real do site da NSE.
• sklearn Ferramentas simples e eficientes para análise de dados preditivos
• O tenserflow Tensorflow é uma plataforma de código aberto de ponta a ponta para aprendizado de máquina.
• keras Keras é uma API de aprendizado profundo escrito em Python, executando em cima da plataforma de aprendizado de máquina Tensorflow.
• datetime As classes do módulo DateTime fornece classes para manipular datas e horários.

---

Colaboradores

Sanket-Kumbhare	Swankhede	Nihalbhopatrao	KGCE-GIT

---