LSTM预测股票数据--模型和参数

最新推荐文章于 2025-05-19 18:30:58 发布

Adm1rat1on

最新推荐文章于 2025-05-19 18:30:58 发布

阅读量1.9k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/qq_35358021/article/details/86649119

本文探讨了如何利用长短期记忆网络（LSTM）来预测股票市场数据。通过详细阐述模型构建过程和关键参数设置，文章揭示了LSTM在处理时间序列数据上的优势，并为金融分析提供了新的视角。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

class NetConfig():
    def __init__(self):
        self.rnn_unit = 10
        self.input_size = 7
        self.output_size = 1
        self.lr = 0.0006
        self.time_step = 20
        self.batch_size = 80
        self.weights={
   
   
             'in':tf.Variable(tf.random_normal([self.input_size,self.rnn_unit])),
             'out':tf.Variable(tf.random_normal([self.rnn_unit,self.output_size]))
            }
        self.biases={
   
   
            'in':tf.Variable(tf.constant(0.1,shape=[self.rnn_unit,])),
            'out':tf.Variable(tf.constant(0.1,shape=[self.output_size,]))
           }
class MyModel():
    def __init__(self):
        self.sess = tf.Session()
        self.nc = NetConfig()
    def lstm(self, X):
        weights = self.nc.weights
        biases = self.nc.biases
        input_size = self.nc.input_size
        rnn_unit = self.nc.rnn_unit
        output_size = self.nc.output_size
        time_step = self.nc.time_step 
        batch_size = self.nc.batch_size
        lr = self.nc.lr
        sess = self.sess
        
        batch_size=tf.shape(X)[0]
        time_step