flasksを使用したUSDJPY1時間足予測AIWebアプリをデプロイする方法

記事作成年月日等：2023年（令和５年）6月4日（日）

要　旨

今回はflaskを使用したUSDJPY1時間足予測AIWebアプリをデプロイする方法について記述します。

実行環境等

VPS:KAGOYAクラウド　KVM CPU 1コア、メモリ1GB、ストレージ25GB

料金：20円/1日、550円/月(2023年（令和５年）6月4日（日）時点）

OS:Ubuntu22.04LTS

操作端末：iMac

実行要領

KAGOYAクラウドは、sshキーを使用してログインするのでrootで実施した。

サーバーにログインして、アップデートする。

apt update

1	apt update

flask_usdjpy_transformers_appフォルダの作成

mkdir flask_usdjpy_transformers_app

1	mkdir flask_usdjpy_transformers_app

作成したflask_usdjpy_transformers_appフォルダへ移動する。

cd flask_usdjpy_transformers_app

1	cd flask_usdjpy_transformers_app

仮想環境virtualenvをインストールする。

apt -y install python3.10-venv

1	apt -y install python3.10-venv

python3 -m venv .venv

1	python3 -m venv .venv

インストールしたvirtualenvをアクティベートする。

source .venv/bin/activate

1	source .venv/bin/activate

ファイルを、sftpを使用して以下のように配置する。

flask_usdjpy_transformers_app

--- templatesフォルダ--- base.html, index.html, result.html

--- app.py

--- gunicorn.conf.py

--- requirements.txt

--- start.sh

各ファイルの内容は、以下のとおり。

base.html

<!DOCTYPE html>
<html lang="ja">

<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>USDJPY_H1_predict app</title>
    <link rel="icon" type="image/x-icon" href="https://sample.com/favicon/favicon.ico">

</head>

<body>
    <h1>USDJPY1時間足予測(Transformers)アプリ</h1>
        <h2>概要及び注意事項</h2>
            <p>当アプリでは、USDJPYの1時間足を直近のデータ量に基づき上昇するか、下落するかを過去データ(yfinance)によりTransformersモデルを使用して予測します。</p>
            <p>ただし本結果により投資にいかなる損失が生じても、当アプリでは責任を取りません。</p>
            </p>あくまで参考程度にご利用ください。</p>
            <p>なお時刻はUTC(日本時間マイナス9時間)の表示となります。</p>
    <table>
    <tr>
    <td><form method="post" action="{{ url_for('result') }}">
        <input type="submit" value="予測開始">
    </form></td>
    <td><form method="post" action="{{ url_for('reset') }}">
        <input type="submit" value="リセット">
    </form></td>
    </tr>
    </table>
    {% block content %}
    {% endblock %}
</body>

</html>

<!DOCTYPE html>

<head>

<title>USDJPY_H1_predict app</title>

</head>

<body>

<h1>USDJPY1時間足予測(Transformers)アプリ</h1>

<h2>概要及び注意事項</h2>

<p>当アプリでは、USDJPYの1時間足を直近のデータ量に基づき上昇するか、下落するかを過去データ(yfinance)によりTransformersモデルを使用して予測します。</p>

<p>ただし本結果により投資にいかなる損失が生じても、当アプリでは責任を取りません。</p>

</p>あくまで参考程度にご利用ください。</p>

<p>なお時刻はUTC(日本時間マイナス9時間)の表示となります。</p>

<table>

<tr>

</form></td>

</form></td>

</tr>

</table>

{% block content %}

{% endblock %}

</body>

</html>

index.html

{% extends 'base.html' %}

{% block content %}
{% endblock %}

{% extends 'base.html' %}

{% block content %}

{% endblock %}

result.html

{% extends "base.html" %}
{% block content %}

<h3>予測結果</h3>

{{ predict_datetime }}</br>
{{ predicted_result }}</br>
{{ accuracy }}</br>
{{ delay_time }}

{% endblock %}

{% extends "base.html" %}

{% block content %}

{{ predict_datetime }}</br>

{{ predicted_result }}</br>

{{ accuracy }}</br>

{% endblock %}

app.py

from flask import Flask, render_template, request

app = Flask(__name__)

@app.route('/')
def index():
    return render_template('index.html')

@app.route('/result', methods=['POST'])
def result():
    # "予測開始"ボタンをクリックしたら処理する
    if request.method=='POST':
        import time
        t1 = time.time()
        import numpy as np
        import csv
        import math
        import pandas as pd
        import yfinance as yf
        from sklearn.pipeline import Pipeline 
        from sklearn.preprocessing import StandardScaler 
        from sklearn.linear_model import LogisticRegression

        # 外為データ取得
        tks  = 'USDJPY=X'
        data = yf.download(tickers  = tks ,          # 通貨ペア
                        period   = '1y',          # データ取得期間 15m,1d,1mo,3mo,1y,10y,20y,30y  1996年10月30日からデータがある。
                        interval = '1h',         # データ表示間隔 1m,2m,5m,15m,30m,60m,90m,1h,1d,5d,1wk,1mo,3mo
                        )

        #最後の日時を取り出す。
        lastdatetime = data.index[-1]

        #Close価格のみを取り出す。
        data_close = data['Close']

        #対数表示に変換する
        ln_fx_price = []
        for line in data_close:
            ln_fx_price.append(math.log(line))
        count_s = len(ln_fx_price)

        # 為替の上昇率を算出、おおよそ-1.0-1.0の範囲に収まるように調整
        modified_data = []
        for i in range(1, count_s):
            modified_data.append(float(ln_fx_price[i] - ln_fx_price[i-1])*1000)
        count_m = len(modified_data)

        # 前日までの4連続の上昇率のデータ
        successive_data = []
        # 正解値 価格上昇: 1 価格下落: 0
        answers = []
        for i in range(4, count_m):
            successive_data.append([modified_data[i-4], modified_data[i-3], modified_data[i-2], modified_data[i-1]])
            if modified_data[i] > 0:
                answers.append(1)
            else:
                answers.append(0)
        # print (successive_data)
        # print (answers)

        # データ数
        n = len(successive_data)
        # print (n)
        m = len(answers)
        # print (m)

        # pipeline(transformers)モデル
        clf = Pipeline([ ('scaler', StandardScaler()), ('clf', LogisticRegression())])
        # サポートベクターマシーンによる訓練 （データの75%を訓練に使用）
        clf.fit(successive_data[:int(n*750/1000)], answers[:int(n*750/1000)])

        # テスト用データ
        # 正解
        expected = answers[int(-n*250/1000):]
        # 予測
        predicted = clf.predict(successive_data[int(-n*250/1000):])

        predict_datetime=f'{lastdatetime}の次の1時間足の予測'
        # 末尾の10個を比較
        #print ('正解:' + str(expected[-10:]))
        #print ('予測:' + str(list(predicted[-10:])))

        # 正解率の計算
        correct = 0.0
        wrong = 0.0
        for i in range(int(n*250/1000)):
            if expected[i] == predicted[i]:
                correct += 1
            else:
                wrong += 1
                
        #print('正解数： ' + str(int(correct)))
        #print('不正解数： ' + str(int(wrong)))

        successive_data.append([modified_data[count_m-4], modified_data[count_m-3], modified_data[count_m-2], modified_data[count_m-1]])
        predicted = clf.predict(successive_data[-1:])
        #print ('次の1時間足の予測:' + str(list(predicted)) + ' 1:陽線,　0:陰線')
        if str(list(predicted)) == str([1]):
            predicted_result='上昇するでしょう。'
        else:
            predicted_result='下落するでしょう。'
        accuracy="正解率: " + str(round(correct / (correct+wrong) * 100,  2)) + "%"   
        t2 = time.time()
        elapsed_time = t2- t1
        elapsed_time = round(elapsed_time, 2)
        delay_time='プログラム処理時間： ' + str(elapsed_time) + '秒'

        return render_template('result.html', predict_datetime=predict_datetime, predicted_result=predicted_result, accuracy=accuracy, delay_time=delay_time)

@app.route('/reset', methods=['POST'])
def reset():
    # "予測開始"ボタンをクリックしたら処理する
    if request.method=='POST':
        return render_template('index.html')

if __name__ == "__main__":
    app.run(debug=False)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

from flask import Flask, render_template, request

app = Flask(__name__)

@app.route('/')

def index():

return render_template('index.html')

@app.route('/result', methods=['POST'])

def result():

# "予測開始"ボタンをクリックしたら処理する

if request.method=='POST':

import time

t1 = time.time()

import numpy as np

import csv

import math

import pandas as pd

import yfinance as yf

from sklearn.pipeline import Pipeline

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LogisticRegression

# 外為データ取得

tks = 'USDJPY=X'

data = yf.download(tickers = tks , # 通貨ペア

period = '1y', # データ取得期間 15m,1d,1mo,3mo,1y,10y,20y,30y 1996年10月30日からデータがある。

interval = '1h', # データ表示間隔 1m,2m,5m,15m,30m,60m,90m,1h,1d,5d,1wk,1mo,3mo

)

#最後の日時を取り出す。

lastdatetime = data.index[-1]

#Close価格のみを取り出す。

data_close = data['Close']

#対数表示に変換する

ln_fx_price = []

for line in data_close:

ln_fx_price.append(math.log(line))

count_s = len(ln_fx_price)

# 為替の上昇率を算出、おおよそ-1.0-1.0の範囲に収まるように調整

modified_data = []

for i in range(1, count_s):

modified_data.append(float(ln_fx_price[i] - ln_fx_price[i-1])*1000)

count_m = len(modified_data)

# 前日までの4連続の上昇率のデータ

successive_data = []

# 正解値価格上昇: 1 価格下落: 0

answers = []

for i in range(4, count_m):

successive_data.append([modified_data[i-4], modified_data[i-3], modified_data[i-2], modified_data[i-1]])

if modified_data[i] > 0:

answers.append(1)

else:

answers.append(0)

# print (successive_data)

# print (answers)

# データ数

n = len(successive_data)

# print (n)

m = len(answers)

# print (m)

# pipeline(transformers)モデル

clf = Pipeline([ ('scaler', StandardScaler()), ('clf', LogisticRegression())])

# サポートベクターマシーンによる訓練（データの75%を訓練に使用）

clf.fit(successive_data[:int(n*750/1000)], answers[:int(n*750/1000)])

# テスト用データ

# 正解

expected = answers[int(-n*250/1000):]

# 予測

predicted = clf.predict(successive_data[int(-n*250/1000):])

predict_datetime=f'{lastdatetime}の次の1時間足の予測'

# 末尾の10個を比較

#print ('正解:' + str(expected[-10:]))

#print ('予測:' + str(list(predicted[-10:])))

# 正解率の計算

correct = 0.0

wrong = 0.0

for i in range(int(n*250/1000)):

if expected[i] == predicted[i]:

correct += 1

else:

wrong += 1

#print('正解数： ' + str(int(correct)))

#print('不正解数： ' + str(int(wrong)))

successive_data.append([modified_data[count_m-4], modified_data[count_m-3], modified_data[count_m-2], modified_data[count_m-1]])

predicted = clf.predict(successive_data[-1:])

#print ('次の1時間足の予測:' + str(list(predicted)) + ' 1:陽線,　0:陰線')

if str(list(predicted)) == str([1]):

predicted_result='上昇するでしょう。'

else:

predicted_result='下落するでしょう。'

accuracy="正解率: " + str(round(correct / (correct+wrong) * 100, 2)) + "%"

t2 = time.time()

elapsed_time = t2- t1

elapsed_time = round(elapsed_time, 2)

delay_time='プログラム処理時間： ' + str(elapsed_time) + '秒'

return render_template('result.html', predict_datetime=predict_datetime, predicted_result=predicted_result, accuracy=accuracy, delay_time=delay_time)

@app.route('/reset', methods=['POST'])

def reset():

# "予測開始"ボタンをクリックしたら処理する

if request.method=='POST':

return render_template('index.html')

if __name__ == "__main__":

app.run(debug=False)

gunicorn.conf.py

bind='0.0.0.0:8000'
workers=4
timeout=120

bind='0.0.0.0:8000'

workers=4

timeout=120

requirements.txt

yfinance
scikit_learn
flask
gunicorn

yfinance

scikit_learn

flask

gunicorn

start.sh

gunicorn --daemon -c gunicorn.conf.py -w 4 -b 0.0.0.0 'app:app'

1	gunicorn --daemon -c gunicorn.conf.py -w 4 -b 0.0.0.0 'app:app'

requirements.txtによりpip installを実施する。

pip install -r requirements.txt

1	pip install -r requirements.txt

start.shファイルに実行権限を付与する。

chmod +x start.sh

1	chmod +x start.sh

アプリを起動させる。

./start.sh

1	./start.sh

http://[IPアドレス]:8000で表示を確認する。

SSLの設定
apache2のインストール

apt -y install apache2

1	apt -y install apache2

以下に種々の設定ファイルが作成されるが、現時点では修正の必要はない。後ほど修正・追記する。
/etc/apache2/
snapのインストール
Ubuntu22.04LTSにはプリインストールされているので不要。
snapのアップデート

snap refresh

1	snap refresh

既にインストールされているcertbot-autoの削除。
まずdnfをインストールする。

apt -y install dnf

1	apt -y install dnf

削除する。

dnf remove certbot

1	dnf remove certbot

Certbotのインストール

snap install --classic certbot

1	snap install --classic certbot

Certbotコマンドの準備。

ln -s /snap/bin/certbot /usr/bin/certbot

1	ln -s /snap/bin/certbot /usr/bin/certbot

apache2を起動する。

systemctl start apache2

1	systemctl start apache2

apache2の自動起動設定を実施する。

systemctl enable apache2

1	systemctl enable apache2

apache2の状態確認

systemctl status apache2

1	systemctl status apache2

apache2の自動起動状態の確認

systemctl is-enabled apache2

1	systemctl is-enabled apache2

ブラウザでhttp://[IPアドレス]でapache2のデフォルトページが表示されるのを確認する。

python3-certbot-apacheのインストール

apt -y install python3-certbot-apache

1	apt -y install python3-certbot-apache

certbot --apache

1	certbot --apache

これで指示に従って入力していく。
プロキシを有効にする。

a2enmod proxy

1	a2enmod proxy

a2enmod proxy_http

1	a2enmod proxy_http

apache2を再起動する。

systemctl restart apache2

1	systemctl restart apache2

システムファイルの編集

vi /etc/apache2/sites-available/000-default-le-ssl.conf

1	vi /etc/apache2/sites-available/000-default-le-ssl.conf

以下を追記する

<Virtual Host *:443>

#追記する
ProxyPass / http://localhost:8000/
ProxyPassReverse / http://localhost:8000/

ProxyPass /result http://localhost:8000/result
ProxyPassReverse /result http://localhost:8000/result

ProxyPass /reset http://localhost:8000/reset
ProxyPassReverse /reset http://localhost:8000/reset

</Virtual Host>

#追記する

ProxyPass / http://localhost:8000/

ProxyPassReverse / http://localhost:8000/

ProxyPass /result http://localhost:8000/result

ProxyPassReverse /result http://localhost:8000/result

ProxyPass /reset http://localhost:8000/reset

ProxyPassReverse /reset http://localhost:8000/reset

</Virtual Host>

gunicornを一旦停止させる。

ps aux | grep gunicorn

1	ps aux \| grep gunicorn

プロセス番号を確認して、停止させる。

kill [プロセス番号]

1	kill [プロセス番号]

gunicornを起動させる。

./start.sh

1	./start.sh

apache2を再起動する。

systemctl restart apache2

1	systemctl restart apache2

ブラウザでアクセスする。
https://[ドメイン名]
正常に表示されれば完成。

結　言

今回はflaskを使用したUSDJPY1時間足予測AIWebアプリのデプロイ方法について記述しました。

最後までお読みくださり、ありがとうございました。

flaskを使用したUSDJPY1時間足予測AIWebアプリをデプロイする方法

要 旨

実行環境等

実行要領

結 言

要　旨

結　言