基于LSTM预测股市发展模型

from pandas import read_csv import numpy as np from torch.utils.data import DataLoader,Dataset import torch from torchvision import transforms from parser_my import args # def getData(corpusFile,sequence_length,batchSize): # 数据预处理 ，去除id、股票代码、前一天的收盘价、交易日期等对训练无用的无效数据 stock_data = read_csv(corpusFile) stock_data.drop('ts_code', axis=1, inplace=True) # 删除第二列’股票代码‘ stock_data.drop('id', axis=1, inplace=True) # 删除第一列’id‘ stock_data.drop('pre_close', axis=1, inplace=True) # 删除列’pre_close‘ stock_data.drop('trade_date', axis=1, inplace=True) # 删除列’trade_date‘ close_max = stock_data['close'].max() #收盘价的最大值 close_min = stock_data['close'].min() #收盘价的最小值 df = stock_data.apply(lambda x: (x - min(x)) / (max(x) - min(x))) # min-max标准化 # 构造X和Y #根据前n天的数据，预测未来一天的收盘价(close)， 例如：根据1月1日、1月2日、1月3日、1月4日、1月5日的数据（每一天的数据包含8个特征），预测1月6日的收盘价。 sequence = sequence_length X = [] Y = [] for i in range(df.shape[0] - sequence): X.append(np.array(df.iloc[i:(i + sequence), ].values, dtype=np.float32)) Y.append(np.array(df.iloc[(i + sequence), 0], dtype=np.float32)) # 构建batch total_len = len(Y) # print(total_len) trainx, trainy = X[:int(0.99 * total_len)], Y[:int(0.99 * total_len)] testx, testy = X[int(0.99 * total_len):], Y[int(0.99 * total_len):] train_loader = DataLoader(dataset=Mydataset(trainx, trainy, transform=transforms.ToTensor()), batch_size=batchSize, shuffle=True) test_loader = DataLoader(dataset=Mydataset(testx, testy), batch_size=batchSize, shuffle=True) return close_max,close_min,train_loader,test_loader class Mydataset(Dataset): def __init__(self, xx, yy, transform=None): self.x = xx self.y = yy self.tranform = transform def __getitem__(self, index): x1 = self.x[index] y1 = self.y[index] if self.tranform != None: return self.tranform(x1), y1 return x1, y1 def __len__(self): return len(self.x)