[](https://colab.research.google.com/github/hiddenSharp429/Application-of-stacked-LSTM-model-and-BP-based-on-dynamic-residual-learning-in-stock-prediction/blob/main/LSTM_better.ipynb) [](https://pan.baidu.com/s/1ZyAadZnng24O27obdNFTLg?pwd=gv6j)
# 写在前面
若自己的环境运行不了，推荐使用打包好的环境`stock_price_prediction`，解压缩后放到Anaconda3和env下，在vscode或者pycharm中选择改虚拟环境后运行
---
# 1. 前言
本论文探讨了长短时记忆网络（LSTM）和反向传播神经网络（BP）在股票价格预测中的应用。首先，我们介绍了LSTM和BP在时间序列预测中的基本原理和应用背景。通过对比分析两者的优缺点，我们选择了LSTM作为基础模型，因其能够有效处理时间序列数据中的长期依赖关系，在基础LSTM模型的基础上，我们引入了动态残差学习（dynamic skip connection）的概念，通过动态调整残差连接，提高了模型的长期记忆能力和预测准确性。实验证明，动态残差的引入在股票价格预测任务中取得了显著的改进效果。进一步地，我们探讨了堆叠式LSTM的改进方法，通过增加模型的深度来捕捉更复杂的时间序列模式。我们详细阐述了堆叠式LSTM的结构和训练过程，并通过实验证实其在股票价格预测中的优越性。结果表明，堆叠式LSTM在处理多层次的时间序列信息上具有更强的表达能力，提高了模型的泛化性能。综合而言，本论文通过对LSTM和BP在股票价格预测中的应用进行研究，进一步引入了动态残差学习和堆叠式LSTM的改进方法，提高了模型的性能和稳健性。这些方法为金融领域的时间序列预测提供了有效的工具和思路，对于投资决策和风险管理具有重要的实际意义。
---
# 2. 数据集和方法选用
随着信息技术的不断发展和大数据的涌现，研究者们越来越倾向于利用高频、多维的金融数据来提升预测模型的性能。在这一趋势中，长短时记忆网络（LSTM）作为一种强大的时序建模工具，凭借其对长期依赖关系的出色捕捉能力，引起了广泛的关注。同时，动态残差学习和堆叠式LSTM等改进方法的引入进一步提高了模型的复杂性和性能。本研究在这一背景下，以中国股票市场为研究对象，旨在利用这些先进的深度学习技术，提高对系统性风险的识别和预测能力。
## 2.1 数据集描述
为了确保时间序列的稳定性，我们选择了这些具有相对较长历史的股票。我们的数据集来源于 investing.com、Yahoo Finance、Yahoo Finance等，通过网络爬虫爬取和网站直接下载的方式，获取了中国股票市场中时间较长的四只股票的日频数据。这些股票的历史数据涵盖多年，每日记录超过7000条。
## 2.2 数据获取过程
在使用网络爬虫获取金融数据时，主要步骤包括选择数据源、确定数据获取的方法、编写爬虫代码、处理数据并保存。首先我们确定了要获取数据的来源，就是上面所说的几个股票网站，随后我们确定了数据获取的方法，查看数据源是否提供API接口和直接下载的链接。如果有，就可以使用API或者直接下载方式来更加方便和规范地获取数据。如果没有API，则能需要考虑使用爬虫技术从网页中提取数据。到了编写爬虫代码的步骤， 我们选择使用爬虫，于是编写代码来模拟浏览器行为，请求网页并解析HTML内容。具体使用的Python中的requests库来用于发送HTTP请求，除此之外还使用了BeautifulSoup和lxml等库用于解析所获取到HTML。最后我们进行了处理数据并保存，提取了后面再进行特征工程时所需要的信息，然后进行简单的数据清理和处理。最后，将数据保存到本地文件或数据库中。最后我们保存了四只符合条件的股票。
<br>
<center>
<font color='grey'>表 I
四只股票的详情信息（名称用序号替换）
</font>
|序号| 记录开始时间| 记录结束时间| 记录条数|
|--|--|--|--|
|000001| 1991-01-29| 2020-04-14| 6936|
|000002| 1991-01-29| 2020-04-18|6940|
|000004| 1991-01-14| 2020-04-14| 6820|
|000006| 1992-04-27| 2020-04-18 |6603|
</center>
<center>
<font color='grey'>示例代码1
使用爬虫获得股票信息（伪代码）
</font>
</center>
```python
import requests
from bs4 import BeautifulSoup
import pandas as pd
import yfinance as yf
from tiingo import TiingoClient
# 函数：爬取 investing.com 的历史股价数据
def scrape_investing(stock_code):
url = f'https://www.investing.com/equities/{stock_code}-historical-data'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')
data_table = soup.find('table', {'id': 'curr_table'})
data = pd.read_html(str(data_table))[0]
return data
# 函数：爬取 Yahoo Finance 的历史股价数据
def scrape_yahoo_finance(stock_code):
stock_data = yf.download(stock_code, start="1991-01-01")
return stock_data
# 函数：爬取 Tiingo 的历史股价数据
def scrape_tiingo(stock_code, api_key):
config = {
'session': True,
'api_key': api_key
}
client = TiingoClient(config)
stock_data = client.get_ticker_price(stock_code, fmt='json', startDate='2000-01-01')
data = pd.DataFrame(stock_data)
return data
# 函数：筛选至少有6800条记录的数据
def filter_data(data, min_records=6800):
if len(data) >= min_records:
return data
else:
return None
# 股票代码
stock_code = 'xxxx' # 示例伪代码
# 爬取数据
investing_data = scrape_investing(stock_code)
yahoo_finance_data = scrape_yahoo_finance(stock_code)
tiingo_data = scrape_tiingo(stock_code, 'TIINGO_API_KEY') # 真实的Tiingo API 密钥
# 筛选数据
investing_data = filter_data(investing_data)
yahoo_finance_data = filter_data(yahoo_finance_data)
tiingo_data = filter_data(tiingo_data)
# 清洗数据...
# 保存文件...
```
在数据获取的过程中，我们也遇到一些困难，有网站有反爬虫机制，它们采取反爬虫机制来防止爬虫访问。我们用设置合适的请求头，使用代理IP解决了这个问题，还有动态加载的问题， 一些网页如新三板网站（xinsanban.eastmoney.com）使用JavaScript进行动态加载数据，这样爬虫可能无法直接获取到所有的信息。解决办法是我们使用Docker部署一个splash来爬取数据。
<center>
<font color='grey'>FIGURE 1. 使用Splash来解决爬取网页需要JavaScript动态加载的问题
</font>
</center>
## 2.3 选股标准：
在选股时，我们考虑了这四只股票在中国股票市场中的代表性、其历史数据的时间跨度，以及它们的交易活跃度。这种选股标准的应用旨在使我们的研究更具有代表性，能够更全面地反映中国股票市场的整体波动。
## 2.4 机器学习方法：
我们采用了深度学习方法，主要是长短时记忆网络（LSTM）。并且与BP神经网络进行了一个对比实验，LSTM作为一种递归神经网络，在捕捉时间序列数据中的长期依赖关系方面表现出色。通过对股票价格的历史数据进行训练，我们预期的是LSTM能够有效地建模和预测未来的价格趋势。
## 2.5 改进方法：
在基础的LSTM模型上，我们引入了动态残差学习和堆叠式LSTM的改进方法。动态残差学习旨在通过调整残�
基于动态残差学习的堆叠式LSTM模型和传统BP在股票预测中的应用项目源码+文档说明.zip （7个子文件） 
Application-of-stacked-LSTM-model-and-BP-based-on-dynamic-residual-learning-in-stock-prediction-main 
LICENSE.md 35B LSTM_better.ipynb 810KB BP.ipynb 179KB LSTM.ipynb 211KB .gitignore 15B
data.xlsx 2.41MB README.md 24KB资源评论
