我用一早上时间做了个股价预测，居然这么准？

最新推荐文章于 2025-12-31 15:46:29 发布
原创 最新推荐文章于 2025-12-31 15:46:29 发布 · 2.3k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #机器学习 #lstm

本文介绍了利用LSTM进行时间序列预测，如IBM股价和英镑汇率。通过训练2006-2016年的IBM股价数据，模型在2017年的测试集上表现良好。对于汇率预测，使用过去180天的数据预测接下来30天的趋势，虽然能捕捉到变化趋势，但具体数值预测存在误差。实际应用中，需要注意学习率调整以适应汇率数据的小幅波动。

最近因为做项目的需要，要做一些数据预测，因此就去学习了一下相关的知识。主要就是采用LSTM来做时间序列的预测。

IBM股价预测

数据集选择的是IBM2006-2018年的股价数据，我这里算的是每日的最高股价。其中，2006-2016年的数据是训练集，2017年的是测试集。

模型搭建如下：

然后就是对数据进行预处理（归一化），接着进行训练。在训练的时候采用了一些小技巧：采用了学习率逐渐衰减的方式，使得loss更小。

在不同epoch下，对2017年的数据进行预测的结果像下面的图片中所示的那样：（根据之前60天的真实数据来预测第二天的数据）

其中，蓝色的是真实曲线，绿色的是预测曲线。

500个epoch

5000个epoch

10000个epoch

12000个epoch

最终可以看到，12000个epoch之后，预测曲线和真实曲线已经非常的贴近了，说明，这个简单的模型，确实能够达到一个很不错的预测效果。

预测接下来一个月的英镑汇率

上面的股价预测，是基于前面60天的真实数据来预测下一天的真实数据。那么要是预测接下来一个月的汇率呢？

从理论上来讲，只需要将模型的输出数据从1个数据，修改成30个数据的序列，就能预测接下来一个月的汇率了。

汇率和股票相比，它的变化幅度不大，因此，如果我们的learning rate开的还像股票预测那么大的话，就很难收敛。

首先是去英为财情的网站下载了2005年1月1日到今天（2022年1月3日）的汇率数据。然后，丢进去训练了2200个epoch。

我设计的是根据过去180天的数据来预测接下来一个月的价格走势。由于预测的是接下来的30天，并且汇率本身的变化程度就比较小（每天相差几分钱），因此，在测试集上，只能说是预测的变化趋势基本一致，但是具体的值的话，预测的不准。

于是乎，我就预测了一下接下来一个月的英镑汇率：

具体它准不准，那就看看接下来的汇率是不是这么一回事吧！

（大概率是不准确的，大家不要把这个当成投资的依据，否则一切后果自负）

2022年1月4日，汇率：8.586546897888184
2022年1月5日，汇率：8.583914756774902
2022年1月6日，汇率：8.588775634765625
2022年1月7日，汇率：8.57702350616455
2022年1月8日，汇率：8.591371536254883
2022年1月9日，汇率：8.568089485168457
2022年1月10日，汇率：8.572650909423828
2022年1月11日，汇率：8.583415985107422
2022年1月12日，汇率：8.590611457824707
2022年1月13日，汇率：8.589016914367676
2022年1月14日，汇率：8.576234817504883
2022年1月15日，汇率：8.588798522949219
2022年1月16日，汇率：8.577808380126953
2022年1月17日，汇率：8.56200885772705
2022年1月18日，汇率：8.592248916625977
2022年1月19日，汇率：8.568221092224121
2022年1月20日，汇率：8.589277267456055
2022年1月21日，汇率：8.568589210510254
2022年1月22日，汇率：8.582256317138672
2022年1月23日，汇率：8.5689115524292
2022年1月24日，汇率：8.572840690612793
2022年1月25日，汇率：8.592175483703613
2022年1月26日，汇率：8.570953369140625
2022年1月27日，汇率：8.586837768554688
2022年1月28日，汇率：8.586097717285156
2022年1月29日，汇率：8.574344635009766
2022年1月30日，汇率：8.566436767578125
2022年1月31日，汇率：8.553132057189941
2022年2月1日，汇率：8.57451343536377
2022年2月2日，汇率：8.544835090637207

转载请注明原文：使用LSTM进行股价、汇率预测 | 龙进的博客

LSTM 无法预测股票价格
weixin_58667547的博客
10-05 1886
因此，在学习音频、语言，当然还有时间序列数据——任何具有时间维度的东西时，它们通常是一个非常可靠的选择。随机游走理论表明，股票走的是一条随机且不可预测的路径，这使得所有一致预测股票价格的方法都徒劳无功。请记住，这些示例完全是我们虚构的股票的虚构代与我们的虚构参数，当然都是基于随机游走理论。随机游走理论绝对有强有力的证据，其中过去的价格和趋势与未来的价格无关，因为它们都是完全随机的。Malkiel 将被证明是正确的，因为存在许多对这种情况的模拟——针对专业策划的投资组合的随机选择——确立了他的说法。
通透！十大时间序列模型 最强总结 ！！
xx_nm98的博客
09-11 9699
通过分析历史数据，这些模型揭示了潜在的模式和季节性变化，从而提供了数据驱动的预测。有效的时间序列预测还能够提高供应链管理、市场策略和风险控制的精确性。为此，咱们今儿和大家聊的十种最常见的时间序列模型有：自回归移动平均模型（ARMA）自回归积分滑动平均模型（ARIMA）季节性自回归积分滑动平均模型（SARIMA）向量自回归模型（VAR）广义自回归条件异方差模型（GARCH）Prophet长短期记忆网络（LSTM）门控循环单元（GRU）贝叶斯结构时间序列模型（BSTS）
深度学习实战06-循环神经网络（RNN）实现股票预测
ungoing的博客
08-13 5336
深度学习实战06-循环神经网络（RNN）实现股票预测
代码详解：以股票预测为例，揭秘时间序列预测
读芯术的博客
09-13 1万+
全文共4109字，预计学习时长8分钟 从在线API中提取股票价格数据，使用配备有TensorFlow.js框架的递归神经网络和长期短期记忆（LSTM）执行预测。 机器学习近年来深受欢迎，越来越多的人把它当作一个能够预测未来时间和特定事件的神奇水晶球。该实验使用人工神经网络揭示股市走势，揭示了使用过去的历史数据来预测未来股票价格的能力，即时间序列预测能力。 注意！！...
python时间序列预测不连续怎么办_Python建模：预测周期性时间序列的正确姿势
weixin_39907289的博客
12-03 2116
公司平台上有不同的api，供内部或外部调用，这些api承担着不同的功能，如查询账号、发版、抢红包等等。日志会记录下每分钟某api被访问了多少次，即一个api每天会有1440条记录(1440分钟)，将每天的数据连起来观察，有点类似于股票走势的意思。我想通过前N天的历史数据预测出第N+1天的流量访问情况，预测值即作为合理参考，供新一天与真实值做实时对比。当真实流量跟预测值有较大出入，则认为有异常访问，...
股权激励一发布，股价飙升买别墅？
malishizu222的博客
08-14 1718
主要内容包括：1.股权激励计划的含义 2.股权激励的公告数据 3.公告日到授予日股价变化 4.构建股权激励策略 5.策略运行结果 上市公司发布股权激励公告后，是否会影响股票的价格？ 当公司发布股权激励公告后，在未来5天、10天、20天、40天、80天的表现到底如何呢？ 股权激励总数占当时总股本比例的这个属性有无影响呢？ 在股权激励公告日到股权激励授予日之间的股价是怎么变化的呢？
基于LSTM模型的股票价格趋势预测，预测未来一天的开盘价格（附代码详解与注释）
热门推荐
haosen
11-26 1万+
一：简介 该股票价格选取了谷歌股票2012年1月3日至2016年12月20日，每天股票开盘的价格，其中2016年11月30日之前的股票价格作为LSTM模型的训练数据集。12月1日至20日的开盘价格作为股票价格的预测集。 数据展示： 测试集数据如该图所示; 二：模型介绍 LSTM模型是基于时间序列的模型，其内的神经元细胞具有记忆功能，即在该问题上，就是之前的开盘价格会影响后期的开盘价格...
时间序列入门第一问：它和普通数据有什么不一样？（附 3 类典型案例）
qq_25368751的博客
10-17 878
本文阐述了时间序列数据与普通横截面数据的核心区别。作者通过典型案例对比说明：横截面数据（如学生成绩表）样本间独立无时间顺序，而时序数据（如每日销量）必须保持时间顺序且前后数据存在依赖关系。文章归纳了三种典型时序数据特征（平稳型、趋势型、季节型），并给出Python代码示例演示如何通过设置时间索引和可视化来识别时序数据类型。最后强调判断时序数据的两大标准：连续时间排列和前后依赖关系，避免将仅含日期字段的普通数据误认为时序数据。全文用生活化比喻和具体案例，帮助读者建立时序数据的基础认知框架。
Python 现代时间序列预测第二版（一）
龙哥盟
10-06 1722
人类一直在追寻预测未来的能力。从最早的文明开始，人们就尝试预测未来。萨满、神谕者和预言家们使用从占星术、手相学到数字学等各种方法，来满足人类对未来的探索需求。在过去的一个世纪里，随着信息技术的发展，预测未来的重担落到了数据分析师和数据科学家的肩上。那么，我们如何预测未来呢？不再是通过查看手上的线条或星星的位置，而是通过分析过去生成的数据。我们不再依赖预言，而是依靠预测。时间，作为我们世界中的第四维，使得所有在世界上生成的数据都成为时间序列数据。所有在现实世界中生成的数据都与时间相关。无论时间因素是否与问题相
通过文本挖掘预测苹果股价的买卖时机
- 股票买卖时机的判断是股票投资中的一个重要环节，涉及到股价和成交量的分析。 - 股价分析通常包含基本分析和技术分析，基本分析关注公司的财务状况、行业地位等因素，而技术分析则侧重于股票价格和成交量的历史...
股票买卖最佳时机leetcode-AAPLTextMining:课程项目是使用文本挖掘Apple投资银行报告和公司发布来记录它们对股价和成交量
07-07
此分析的主要目标是确定以某家公司为中心的每周新闻文章是否可用于预测股价的上涨或下跌。 该分析侧重于苹果股价在周五收盘和周一开盘之间的每周变化。 具体来说，问题是：对这些类型的报告进行正面和负面的刮擦是否...
我有5分钟级的股价数据和日频的资金流向数据，我想利用价格形态类指标，比如突破阻力位信号、K线组合形态、缺口状态等，去预测股票第二天高开情况。我是否可以用已有数据计算出价格形态类指标?还有哪些有效且不冗余的价格形态指标？
03-21
嗯，用户现在有5分钟级的股价数据和日频的资金流向数据，想要利用价格形态类指标来预测第二天的高开情况。首先，我需要确定用户的数据是否足够计算这些形态指标。价格形态通常需要一定时间范围内的开盘价、最高价、...
Day44 简单 CNN 实战
W020419的博客
12-26 339
将卷积输出展平成向量，接 1~2 层全连接 + Dropout，输出 10 维 logits。：BatchNorm 稳定分布、Dropout 降低 co-adaptation。这些中间输出就是“特征图”，可借助 Grad-CAM 等方法做可视化解释。第 3 个卷积块：池化后得到 128×4×4，展平即 2048 维向量。第 1 个卷积块：保持尺寸，池化后得到 32×16×16；第 2 个卷积块：池化后得到 64×8×8；提取多尺度特征并逐步减小空间维度。
Day46
m0_70488789的博客
12-26 278
作业：手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。4. 经典机器学习在序列任务上的劣势；# DAY 46 序列预测任务介绍。b. 多步预测的2种方式。2. 序列数据的处理：滑动窗口。3. 多输入多输出任务的思路。
【深度学习新浪潮】本地文档总结引擎部署全攻略（二）：增量更新、自定义模板与实战汇报生成
最新发布
全网同名。更多请搜索wx公众号：浮游会。
12-31 128
基础系统的总结格式由固定，无法满足不同汇报场景（如周汇报、月汇报、项目总结）的需求。通过自定义Prompt模板，我们可以定义灵活的输出格式，支持模板变量（如文档名称、时间范围、汇报人）。在from llama_index . core . prompts import PromptTemplate from llama_index . core . query_engine import CustomQueryEngine # 定义常用汇报模板 REPORT_TEMPLATES = {
深度学习—卷积神经网络（2）
renjt01的博客
12-30 88
深度学习—卷积神经网络（2） 2.DNN与CNN的区别 3.卷积的数学定义 4.CNN的结构组成 卷积层 #人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书
毕业项目推荐：91-基于yolov8/yolov5/yolo11的井盖破损检测识别（Python+卷积神经网络）
weixin_71667732的博客
12-29 767
项目中所用到的算法模型和数据集等信息如下：算法模型：yolov8yolov8 + SE注意力机制或yolov5yolov5 + SE注意力机制或yolo11yolo11 + SE注意力机制数据集：网上下载的数据集，格式都已转好，可直接使用。以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点。全新SOTA模型YOLOv8 提供了全新的最先进（SOTA）的模型，包括P5 640和P6 1280分辨率的目标检测网络，同时还推出了基于YOLACT的实例分割模型。
毕业项目推荐：90-基于yolov8/yolov5/yolo11的工程车辆检测识别系统（Python+卷积神经网络）
weixin_71667732的博客
12-26 1356
本文介绍了一个基于深度学习的工程车辆智能监控系统，采用YOLOv8/YOLOv5/YOLO11算法，并集成SE注意力机制提升检测精度。系统支持图片、视频、摄像头输入的实时检测，具备UI界面，可直观展示检测结果并导出xls格式数据。功能包括单张图片识别、文件夹批量识别、视频逐帧检测、摄像头实时监控以及结果查看与导出。该系统可有效识别多种工程车辆类型，为施工安全提供智能化解决方案。文章提供了完整Python代码和使用指南，方便读者学习和应用。
InternNav 环境配置：Failed to build flash_attn解决办法
m0_75108877的博客
12-30 124
install Internnav 的时候一直报flash_attn的错。
torch做一个rnn股价预测模型
03-25
<think>好的，我现在需要帮助用户使用PyTorch构建一个RNN股价预测模型。首先，我得回顾一下用户之前的对话历史。用户之前已经询问过如何写一个基础的RNN网络，我给出了详细的步骤和代码示例。现在用户的问题更具体了，是关于股价预测的，所以需要结合RNN在时间序列预测中的应用。 首先，我需要确定用户的需求是什么。股价预测通常属于时间序列预测问题，RNN在这里的应用主要是处理序列数据，捕捉时间上的依赖关系。用户可能希望得到一个端到端的模型，从数据预处理到模型构建、训练和预测的全流程指导。 接下来，我得考虑用户可能的背景。用户可能已经了解了一些RNN的基础知识，但需要具体的应用实例。他们可能对如何处理时间序列数据、如何设计网络结构、如何评估模型效果等方面存在疑问。此外，用户可能对实际应用中的注意事项，比如数据归一化、窗口划分、过拟合处理等不太清楚。 然后，我需要规划回答的结构。通常，一个完整的指南应该包括数据预处理、模型构建、训练循环、预测与可视化等部分。同时，还需要指出RNN在股价预测中的局限性，比如处理长期依赖的能力较弱，可能推荐使用LSTM或GRU，并给出改进方向。 在数据预处理部分，需要说明如何加载数据、归一化处理、划分时间窗口生成输入输出对。这里要注意的是，股价数据通常是单变量的，所以输入特征可能只有过去几天的价格，输出是未来一天的价格。需要指导用户如何将时间序列转化为有监督学习的数据格式。 模型构建方面，用户之前已经有一个基础的RNN实现，所以可以在此基础进行调整，比如修改输入输出的维度，添加Dropout层防止过拟合，或者直接使用LSTM单元。需要解释为什么选择某些参数，比如hidden_size的大小，以及如何堆叠多层RNN。 训练过程中，要选择合适的损失函数（如均方误差）和优化器，设置合适的学习率和训练轮次。还需要提到如何监控训练损失，进行早停等技巧。预测阶段需要将输出反归一化，恢复原始数据尺度，并可视化结果。 同时，必须强调股价预测的挑战性，比如市场的高随机性，模型只能捕捉趋势而非准确预测，避免用户有过高期望。此外，给出改进建议，比如使用更多特征（成交量、技术指标）、尝试Transformer模型等，帮助用户进一步探索。 最后，检查代码示例的正确性，确保用户可以直接运行，并指出可能的错误点，比如数据归一化的范围、张量形状的匹配问题。还要提醒用户在实际应用中的注意事项，如实时数据更新、模型重新训练等。 现在，我需要将这些思考整理成一个结构化的回答，确保步骤清晰，代码可执行，并覆盖用户可能关心的所有方面。同时，保持语言简洁，用中文表达，符合用户的要求。</think>以下是一个使用PyTorch实现RNN股价预测模型的完整指南，包含数据预处理、模型构建和训练的全流程： --- ### **1. 数据预处理（关键步骤）** #### **(1) 加载股价数据** ```python import pandas as pd import numpy as np # 示例数据（替换为真实数据路径） data = pd.read_csv("stock_prices.csv") prices = data['Close'].values.astype(float) ``` #### **(2) 数据归一化** ```python from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(-1, 1)) # RNN对零中心化数据更敏感 scaled_prices = scaler.fit_transform(prices.reshape(-1, 1)) ``` #### **(3) 创建时间窗口** ```python def create_sequences(data, window_size=60): sequences = [] labels = [] for i in range(len(data)-window_size): sequences.append(data[i:i+window_size]) labels.append(data[i+window_size]) return np.array(sequences), np.array(labels) window_size = 60 # 使用60天数据预测第61天 X, y = create_sequences(scaled_prices, window_size) ``` #### **(4) 数据集划分** ```python split = int(0.8 * len(X)) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] ``` --- ### **2. PyTorch模型实现** #### **(1) 定义RNN模型** ```python class StockPredictor(nn.Module): def __init__(self, input_size=1, hidden_size=64, output_size=1, num_layers=2): super().__init__() self.rnn = nn.RNN( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=0.2 # 防止过拟合 ) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): h0 = torch.zeros(self.rnn.num_layers, x.size(0), self.rnn.hidden_size) out, _ = self.rnn(x, h0) out = self.fc(out[:, -1, :]) # 取最后一个时间步 return out ``` #### **(2) 模型参数** | 参数 | 典型值 | 说明 | |----------------|---------|------------------------| | `input_size` | 1 | 单变量时间序列（收盘价） | | `hidden_size` | 64 | 隐藏层维度（可调超参数） | | `num_layers` | 2 | RNN堆叠层数 | | `window_size` | 60 | 历史窗口天数 | --- ### **3. 模型训练** #### **(1) 数据转换** ```python train_data = torch.Tensor(X_train).unsqueeze(-1) # 形状：(样本数, 窗口数, 特征数) test_data = torch.Tensor(X_test).unsqueeze(-1) train_labels = torch.Tensor(y_train) ``` #### **(2) 训练配置** ```python model = StockPredictor() criterion = nn.MSELoss() # 回归任务使用均方误差 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` #### **(3) 训练循环** ```python epochs = 100 for epoch in range(epochs): model.train() outputs = model(train_data) loss = criterion(outputs, train_labels) optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 0.5) # 梯度裁剪 optimizer.step() if (epoch+1) % 10 == 0: print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}') ``` --- ### **4. 预测与评估** #### **(1) 进行预测** ```python model.eval() with torch.no_grad(): test_preds = model(test_data) test_loss = criterion(test_preds, torch.Tensor(y_test)) print(f'Test Loss: {test_loss.item():.4f}') ``` #### **(2) 结果反归一化** ```python real_preds = scaler.inverse_transform(test_preds.numpy()) real_labels = scaler.inverse_transform(y_test) ``` #### **(3) 可视化** ```python import matplotlib.pyplot as plt plt.figure(figsize=(12,6)) plt.plot(real_labels, label="True Price") plt.plot(real_preds, label="Predicted Price") plt.legend() plt.show() ``` --- ### **5. 改进方向** 1. **特征工程**： - 添加成交量、移动平均线等特征 - 使用技术指标（RSI、MACD） 2. **模型升级**： - 替换为LSTM/GRU：`nn.LSTM`或`nn.GRU` - 添加注意力机制 3. **训练优化**： - 使用滑动窗口验证 - 添加早停机制（Early Stopping） 4. **多变量输入**： ```python input_size = 5 # 包含开盘价、收盘价、最高价、最低价、成交量 ``` --- ### **6. 注意事项** 1. **股价预测的局限性**： - 金融市场具有强随机性 - 模型主要捕捉趋势而非精准预测 2. **数据时效性**： - 需定期用新数据重新训练 3. **过拟合防范**： - 使用Dropout层 - 监控训练/验证损失曲线 完整代码需要结合实际数据调整参数。建议优先尝试LSTM实现（将`nn.RNN`改为`nn.LSTM`），其对长期依赖的处理能力更强。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值