基于python实现股票价格走势预测.zip

import tensorflow as tf from tensorflow import keras import numpy as np import pandas as pd import matplotlib.pyplot as plt import tushare as ts # data=pd.read_csv('../data/000001.csv')[::-1] pro = ts.pro_api("14228e4f55d83c97143a1decbdf5da3b17d42da9c690a9c9154e0866") data = pro.daily(ts_code='000001.SZ', start_date='20210201', end_date='20210714')[::-1] #self.kline.to_csv('000001.csv') data.index=data.index[::-1] data['trade_date']=pd.to_datetime(data['trade_date']) # print(data) # print(data.iloc[0:5,3:7]) input_data=data.iloc[0:-1,2:6] # print(input_data) output_data=data.iloc[1:,2:3] # output_data_list=[] # for item in output_data: # for i in range(7): # output_data_list.append() # print(output_data[0:1]) # print(data['trade_date']) # 设置模型的层 model = keras.Sequential([ keras.layers.Dense(1, input_shape=(4,)), #第一个 Dense 层有 1 个节点（或神经元） keras.layers.Dense(200), #第一个 Dense 层有 200 个节点（或神经元） keras.layers.Dense(200), #第一个 Dense 层有 200 个节点（或神经元） # keras.layers.Dense(100), #第一个 Dense 层有 100 个节点（或神经元） keras.layers.Dense(1) # 最后一个层会返回一个长度为 1 的 logits 数组 ]) model.summary() # 编译模型 model.compile(optimizer='adam', loss='mse', metrics=['accuracy']) # 上面的三个参数： # 损失函数 - 用于测量模型在训练期间的准确率。您会希望最小化此函数，以便将模型“引导”到正确的方向上。 # 优化器 - 决定模型如何根据其看到的数据和自身的损失函数进行更新。 # 指标 - 用于监控训练和测试步骤。以下示例使用了准确率，即被正确分类的图像的比率。 # 开始训练，请调用 model.fit 方法，这样命名是因为该方法会将模型与训练数据进行“拟合” model.fit(input_data, output_data, epochs=5000) # 上面三个参数的意义： # 1、输入的数据。 # 如果模型只有一个输入，那么x的类型是numpy array # 如果模型有多个输入，那么x的类型应当为list，list的元素是对应于各个输入的numpy array # 2、对应输入数据的标签。与输入数据一一对应 # 3、训练的次数。整数，训练终止时的epoch值，训练将在达到该epoch值时停止 # 比较模型在测试数据集上的表现 # test_loss, test_acc = model.evaluate(x, y, verbose=2) # # print('\nTest accuracy:', test_acc) predictions = model.predict(input_data) # 绘图 # 用来显示中文的设置，有中文出现的情况，需要u'内容' plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 plt.plot(data.trade_date[:-1],input_data['open']) plt.plot(data.trade_date[:-1],predictions,'r') plt.xlabel('日期') #X轴内容 plt.ylabel('价格') plt.title('平安银行股票预测价格与真实价格对比') #标题 plt.legend(labels=['真实', '预测']) # print(predictions) plt.show() # 将模型保存 checkpoint_path = "model/cp-{epoch:04d}.ckpt" model.save_weights(checkpoint_path.format(epoch=2))