LSTM预测股票

最新推荐文章于 2025-05-15 10:02:40 发布

天一生水water

最新推荐文章于 2025-05-15 10:02:40 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签： lstm keras python

本文链接：https://blog.youkuaiyun.com/Metal1/article/details/124499047

机器学习专栏收录该内容

83 篇文章

订阅专栏

这篇博客介绍了一个基于LSTM的时间序列预测模型，用于预测股票价格。通过导入numpy、pandas、matplotlib等库，结合tushare获取股票数据，并使用Keras构建LSTM神经网络。文章提供了数据预处理、模型构建、训练及预测结果的可视化过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【深度学习】基于LSTM时间序列的股票价格预测_myaijarvis的博客-优快云博客_lstm预测股价

股票数据

链接：https://pan.baidu.com/s/1rUFUOTPV9JzwZwiIUFtyXw?pwd=1166
提取码：1166
--来自百度网盘超级会员V8的分享

000001SZ_10Y.csv

import numpy as np
import tushare as t1
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout, GRU
from tensorflow.keras.optimizers import SGD # 可以忽略警告错误

#st=StandardScaler()
#t1.set_token('8fa17c450ce70d9d2997013997afaf7502c643095e3f3ebfe1c31525')
#ts = t1.pro_api()



def data_set(dataset, lookback):
   """
   :param dataset: ndarray
   :param lookback: 单个序列的长度
   :return:
   """
   dataX, dataY = [], []
   for i in range(0, len(dataset) - lookback - 1):
      temp = dataset[i: i + lookback]  # 前 lookback步
      dataX.append(temp)
      dataY.append(dataset[i + lookback])  # 第 lookback步
   return np.array(dataX), np.array(dataY)


def plot_predictions(test_result, predict_restult):
   """
   test_result: 真实值
   predict_result: 预测值
   """
   plt.plot(test_result, color='red', label='test')
   plt.plot(predict_restult, color='blue', label="prdict")
   plt.xlabel("Time")
   plt.ylabel("Close Price")
   plt.legend()  # 给图加上图例
   plt.show()



# Press the green button in the gutter to run the script.
if __name__ == '__main__':
   data = pd.read_csv('000001SZ_10Y.CSV')
   df = pd.DataFrame(data,columns=['trade_date','close'])
   df.head(5)
   print(df)
   plt.plot(df['trade_date'], df['close'])
   plt.show()
   dataset = df["close"].values
   print(dataset)
   dataset_st = st.fit_transform(X=dataset.reshape(-1, 1))
   print(dataset_st)
   print(dataset_st.shape)
   train_size = int(len(dataset_st) * 0.7)
   test_size = int(len(dataset_st)) - train_size
   print(train_size)
   print(test_size)
   train, test = dataset_st[0:train_size], dataset_st[train_size:]
   print(train.shape)

   lookback = 2
   trainX, trainY = data_set(train, lookback)
   testX, testY = data_set(test, lookback)
   print(trainX.shape)
   print(trainY.shape)
   print(testX.shape)


   model = Sequential()
   # LSTM 第一层
   model.add(LSTM(128, return_sequences=True,  # 是返回输出序列中的最后一个输出，还是全部序列True。
                  input_shape=(trainX.shape[1], 1)))  # (sequence_length, features)
   model.add(Dropout(0.2))

   # LSTM 第二层
   model.add(LSTM(128, return_sequences=True))
   model.add(Dropout(0.2))

   # LSTM 第三层
   model.add(LSTM(128))
   model.add(Dropout(0.2))

   # Dense层
   model.add(Dense(units=1))

   # 模型编译
   model.compile(optimizer='rmsprop', loss='mse')

   # 模型训练
   model.fit(trainX, trainY, epochs=20, batch_size=32)

   pred_st = model.predict(testX)
   pred = st.inverse_transform(pred_st)  # 进行反归一化
   testY2 = st.inverse_transform(testY)  # 进行反归一化 因为前面进行了归一化
   plot_predictions(testY2, pred)  # 画出图像

# See PyCharm help at https://www.jetbrains.com/help/pycharm/