神经网络预测：股票预测_javascript神经网络预测股票-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_40604528/article/details/124865657

该博客介绍了如何运用LSTM（长短期记忆网络）进行股票价格预测。首先，通过读取CSV数据并绘制时间序列图展示数据。接着，创建时间序列数据样本，并构建四层LSTM模型，结合Dropout层防止过拟合。最后，展示了预测结果并与实际值进行对比，以评估模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

注：下有视频讲解，可供参考

数据集

资源data0.csv

代码

1、引入包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2、命名并画图

data=pd.read_csv("data0.CSV",names=['Date', 'Value'])
df=pd.DataFrame(data,columns=['Date','Value']) #只取日期和股票价格
df.head() # 显示前5行
plt.plot(df['Date'],df['Value']) # 画图

3、创建时间序列数据样本

# 创建时间序列数据样本
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)

4、LSTM

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM, Dropout, GRU
from tensorflow.keras.optimizers import SGD # 可以忽略警告错误

model = Sequential()
# LSTM 第一层
model.add(LSTM(50, 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(50, return_sequences=True))
model.add(Dropout(0.2))

# LSTM 第三层
model.add(LSTM(50,return_sequences=True))
model.add(Dropout(0.2))

# LSTM 第四层
model.add(LSTM(50,return_sequences=True))
model.add(Dropout(0.2))

# LSTM 第四层
model.add(LSTM(50))
model.add(Dropout(0.2))

# Dense层
model.add(Dense(units=1))

5、画图比较

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()

plot_predictions(testY2,pred) # 画出图像