股票成交量预测（Pytorch基础练习）

最新推荐文章于 2024-12-20 20:46:52 发布

原创

最新推荐文章于 2024-12-20 20:46:52 发布 · 3.8k 阅读

24 ·

CC 4.0 BY-SA版权

本文介绍了一个使用逻辑回归预测股市涨跌的模型，通过处理2012-2018年的股票交易数据，包括开盘价、最高价、最低价、收盘价和成交量，实现了对次日股市变化的预测。

题目

现有一个csv关于2012-2018的股票交易数据文件，有五列数据：开盘价，最高价，最低价，收盘价，成交量，现在训练一个逻辑回归，预测判断次日的股市升还是降。

示例 csv文件下载：https://github.com/JintuZheng/Blog-/blob/master/FB.csv
数据示例：

导入准备

import pandas as pd

import torch
import torch.nn
import torch.optim

from debug import ptf_tensor

数据读取

（1）从CSV文件来

从csv文件读取数据，我们使用Pandas包。
打开文件，并选中所有的数据：

url = 'C:/Users/HUAWEI/Desktop/深度学习/Blog附带代码/FB.csv'
df = pd.read_csv(url, index_col=0) #读取全部数据

附带：read_csv()用法：

index_col = ['col_1','col_2']   # 读取指定的几列
error_bad_lines = False   # 当某行数据有问题时，不报错，直接跳过，处理脏数据时使用
na_values = 'NULL'   # 将NULL识别为空值

（2）数据预处理

#数据集的处理
'''
因为数据是日期新的占index靠前
'''
train_start, train_end=sum(df.index>='2017'),sum(df.index>='2013') 
test_start, test_end=sum(df.index>='2018'),sum(df.index>='2017')

n_total_train = train_end -train_start
n_total_test = test_end -test_start

s_mean=df[train_start:train_end].mean() #计算均值，为归一化做准备
s_std=df[train_start:train_end].std() # 计算标准差，为归一化做准备