基于递归神经网络预测股票价格（开盘、收盘、最高、最低）.zip

# 基于循环神经网络预测股价 ## 一、数据获取 ### 1.1 训练过程中所有的股票日K数据均来自`tushare` ```$xslt import tushare pro = ts.pro_api(token) df = pro.daily(ts_code, start_date, end_date) df.to_csv(filename) ``` ## 二、 数据预处理 ### 2.1 获取到的数据格式如图所示  ### 2.2 特征选取 我选取了股票交易数据中几个有用的特征 |特征|说明| |-|-| |open|开盘价| |high|最高价| |low|最低价| |close|收盘价| |pre_close|昨日收盘价| |chagne|涨跌额| |pct_chg|涨跌幅| |vol|成交量（手）| |amount|成交额（千元）| ### 2.3 数据标准化或归一化 去除特征量纲，加速模型收敛，这里采用标准化处理。  ### 2.4 生成时间序列 这里选取`30`天为一个时间序列，来预估低`31`天的`开盘价`、`收盘价`、`最高价`和`最低价` ``` def series_data(df, n): """ 将数据组装成时间序列 :param df: DataFrame对像 :param n: 时间序列长度 :return: data, label 数据和标签的numpy数组对象 """ data = [] label = [] for i in range(len(df) - n): d = df[i:n + i].values l = df[n + i:n + i + 1][["open", "high", "low", "close"]].values data.append(d) label.append(l) return np.array(data), np.array(label) ``` ## 三、神经网络结构 ### 3.1 简单起见，这里采用一层循环的`LSTM` + 全连接的输出层。  ### 3.2 神经网络定义 ``` class RNN(torch.nn.Module): def __init__(self, input_size): """ 循环神经网络实现，采用LSTM :param input_size: 输入的特征维度 """ super(RNN, self).__init__() self.rnn = torch.nn.LSTM( input_size=input_size, hidden_size=64, num_layers=1, batch_first=True ) self.out = torch.nn.Sequential( torch.nn.Linear(64, 4) ) def forward(self, x): """ 前向传播 :param x: 输入数据 :return: """ r_out, (h_n, h_c) = self.rnn(x, None) out = self.out(r_out) return out ``` ### 3.3 输入输出维度 #### 输入 格式：（batch_size, series_length, input_dim) 实际取值 |维度|说明|大小| |-|-|-| |batch_size|批大小|10| |series_length|序列长度|30| |input_dim|特征维度|9| #### 输出 格式：（batch_size, series_length, output_dim) 实际取值 |维度|说明|大小| |-|-|-| |batch_size|批大小|10| |series_length|序列长度|30| |output_dim|输出维度|4| >实际取最后一个序列的输出与`label`进行损失计算 ## 四、训练网络 略 ## 五、验证  选取最高价的局部大图看一下  可以看到不管是训练集还是测试集都拟合完美，具体效果如何等待验证，个人感觉中长线趋势还是挺准的，短线偶尔也有一定的误差。