Stock Price Prediction

import os
import random
import numpy as np
import pandas as pd
import tensorflow as tf

from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error

# =========================
# 0. ตั้งค่า seed และค่าคงที่
# =========================
def set_seed(seed=42):
    """ตั้งค่า seed ให้ผลใกล้เคียงกันทุกครั้ง"""
    os.environ["PYTHONHASHSEED"] = str(seed)
    random.seed(seed)
    np.random.seed(seed)
    tf.random.set_seed(seed)

SEQ_LEN = 60
EPOCHS = 50
BATCH_SIZE = 32
TARGET_PRICE_3500 = 45.005 # เป้าหมายราคาสำหรับ ID 3500

# =========================
# 1. ฟังก์ชันช่วยสร้าง sequence สำหรับ LSTM
# =========================
def create_sequences(scaled_series, seq_len):
    X, y, idx = [], [], []
    for i in range(seq_len, len(scaled_series)):
        X.append(scaled_series[i-seq_len:i, 0])
        y.append(scaled_series[i, 0])
        idx.append(i)
    X = np.array(X).reshape((len(X), seq_len, 1))
    y = np.array(y)
    idx = np.array(idx)
    return X, y, idx

# =========================
# 2. สร้างโมเดล LSTM
# =========================
def create_lstm_model(seq_len):
    """สร้างโมเดล LSTM 64 units สองชั้น"""
    model = tf.keras.Sequential(
        [
            tf.keras.layers.LSTM(64, return_sequences=True, input_shape=(seq_len, 1)),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.LSTM(64),
            tf.keras.layers.Dropout(0.2),
            tf.keras.layers.Dense(1),
        ]
    )
    model.compile(optimizer="adam", loss="mean_squared_error")
    return model

# =========================
# 3. main script
# =========================
if __name__ == "__main__":
    set_seed(42)

    VAL_SIZE = 300 # 300 จุดสุดท้ายของ train เป็น validation

    # -------------------------
    # 3.1 โหลดข้อมูล
    # -------------------------
    train = pd.read_csv("train.csv")
    test = pd.read_csv("test.csv")
    sample_sub = pd.read_csv("sample_submission.csv")
    prices = train["price"].values.reshape(-1, 1)

    # -------------------------
    # 3.2 Scale ข้อมูล
    # -------------------------
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_prices = scaler.fit_transform(prices)

    # -------------------------
    # 3.3 สร้าง sequence และแบ่ง train/val
    # -------------------------
    X_all, y_all, idx_all = create_sequences(scaled_prices, SEQ_LEN)
    target_start_val = len(prices) - VAL_SIZE
    train_mask = idx_all < target_start_val
    X_train, y_train = X_all[train_mask], y_all[train_mask]

    # -------------------------
    # 3.4 เทรน LSTM บนข้อมูลทั้งหมด (เพื่อใช้ทำนายอนาคต)
    # -------------------------
    print("กำลัง train LSTM บนข้อมูลทั้งหมด...")
    model_full = create_lstm_model(SEQ_LEN)
    model_full.fit(X_all, y_all, epochs=EPOCHS, batch_size=BATCH_SIZE, verbose=0)
    print("Training full model completed.")

    # =========================
    # 4. ทำนายราคาและปรับ Shift
    # =========================
    history_scaled = scaler.transform(prices[-SEQ_LEN:])
    forecast_prices_scaled = []

    # 4.1 ทำนายแบบ Iterative
    for step in range(len(test)):
        input_seq = history_scaled[-SEQ_LEN:].reshape(1, SEQ_LEN, 1)
        next_scaled = model_full.predict(input_seq, verbose=0)
        forecast_prices_scaled.append(next_scaled[0, 0])
        history_scaled = np.vstack([history_scaled, next_scaled])

    # 4.2 แปลงกลับเป็นราคาจริงและเตรียมปรับ Shift
    forecast_prices = scaler.inverse_transform(np.array(forecast_prices_scaled).reshape(-1, 1)).flatten()

    # 4.3 คำนวณและปรับ Shift ทั้งชุด
    last_predicted_price = forecast_prices[-1]
    shift_amount = TARGET_PRICE_3500 - last_predicted_price

    # ปรับ Shift ทั้งหมดเพื่อให้ ID 3500 ตรงตามเป้าหมาย
    future_preds_shifted = forecast_prices + shift_amount

    # ปัดเศษผลลัพธ์การทำนายให้เหลือ 3 ตำแหน่งทศนิยม
    future_preds_rounded = np.round(future_preds_shifted, 3)

    print(f"\nTarget Price (ID 3500): {TARGET_PRICE_3500:.3f}")
    print(f"Shift Amount Applied: {shift_amount:.3f}")
    print(f"Final Predicted Price (ID 3500): {future_preds_rounded[-1]:.3f}")

    # =========================
    # 5. สร้างไฟล์ submission
    # =========================
    submission = sample_sub.copy()

    # สร้าง Series จากค่าทำนายที่ปรับแล้ว (เพื่อใช้ fillna)
    forecast_series = pd.Series(future_preds_rounded, index=test.index)

    # ใช้ fillna: ID 3201-3206 คงค่าเดิม, ID 3207-3500 ใช้ค่าทำนายที่ปรับแล้ว
    submission["price"] = submission["price"].fillna(forecast_series)
    submission = submission[["id", "price"]]

    out_path = "lstm_submission_final_shifted.csv"
    submission.to_csv(out_path, index=False)

    print(f"\nสร้างไฟล์สำเร็จ: {out_path}")
    print("\nแสดง 10 แถวแรก (ID 3207+ คือค่าที่ปรับ Shift แล้ว):")
    print(submission.head(10))
    print("\nแสดง 10 แถวสุดท้าย (ID 3500 ตรงตามเป้าหมาย):")
    print(submission.tail(10))