使用tensorflow：LSTM神经网络预测股票（二）

与第一版相比的改进点

上一篇博客 直接预测收益，训练过程中通过观察预测值的变动，发现LSTM网络收敛起来非常困难，几百万行数据下来，也没有比较明显的收敛迹象。我分析原因有可能为：一行60个交易日，下一行的60个交易日有59个实际上并没有变，即大部分输入数据并未变动，但是收益变动可能会非常巨大（股票的价格变动），如图所示：

收益相对剧烈的变动，给网络的收敛带来了巨大的困难。碍于硬件资源的限制，我没有再尝试更加复杂的网络深度，转而尝试降低收益的波动，具体方法为：
1. 将收益分成3类：收益小于0%，收益小于5%，收益大于等于5%，对应[1, 0, 0]、[0, 1, 0]、[0, 0, 1] 3种输出。
2. 给LSTM网络输出层套上softmax激励函数，将预测收益改为分类问题。

这样做在功能性上牺牲了些，换来了收益波动的减小，网络收敛难度降低。

补充：大家可以通过更改分类和输出层参数，使其降低到二元分类问题，进一步降低收益的波动，例如：小于8%和大于等于8%、处于3%-5%和不处于等。

股票预测相关代码

数据部分

与上一篇 相比，数据部分在输出时将股价替换成3种类型输出，输出的数据矩阵从1列改为了3列。

tensorflow 代码

数据部分

class get_stock_data():
    """
    获得股票分类数据，用以深度学习。格式为按照时间顺序，由小到大排序的：
    [开盘价, 最高价, 最低价, 收盘价，换手率，成交量, 流通市值, 真实收益, 日期]
    真实收益定义：下一个交易日开盘买入，再下一个交易日开盘卖出所得到的收益，算法为 100 * (open_next_next / open_next - 1)。
    > 如果真实收益的回归预测效果一般，可以再试试分类预测：真实收益>= n 和 <n 等
    """
    def __init__(self,):
        self.file_paths = {}

    def get_train_test_data_softmax(self, batch_size, file_path, time_step = 60):
        """
        将收益变成分类问题。分类定义在classify函数内，分别为：
            0: <= 0%
            1: (0%, 5%)
            2: [5%, 以上)
        """

        self_variable_name = "data_cur_{0}".format(file_path)
        if self_variable_name in self.file_paths:
            curs