close all
clear
clc
Szerokosc = 5;
Neurony = 6;
X = 365; % ilosc probek do przewidzenia
stock = load('stock.txt');

firma = stock(:,2);
plot(firma)

dane = zeros( length(firma) - Szerokosc, Szerokosc+1);
for i=1:length(firma) - Szerokosc
    for j=1:Szerokosc+1
       dane(i,j) = firma( i + j - 1);
    end
end
we = dane(1:end-X,1:Szerokosc)';
wy = dane(1:end-X,Szerokosc + 1)';
net = newff(we,wy,[Neurony], { 'tansig', 'purelin'});

net.inputweights{1,1}.initFcn = 'rands';
net.biases{1}.initFcn = 'rands';
net = init(net); % inicjujemy wagi losowo
net.trainParam.epochs = 100;

figure(1)
we1 = dane(end-X+1:end,1:Szerokosc)';
wy1 = sim(net, we1);
plot(wy1,'r'); hold on;
plot(wy(end-X+1:end),'b')
title('Charakterystyka modelu przed uczeniem')

net = train(net, we, wy);
figure(2)
wy2 = sim(net, we1);
rzeczywistewartosci = wy(end-X+1:end);
plot(wy2,'g'); hold on;
plot(rzeczywistewartosci,'b');
xlim([0 X])
title('Charakterystyka modelu po uczeniu')

blad = sqrt((sum( (wy2 - rzeczywistewartosci).^2))/length(wy2))