如何利用 LSTM 预测上证指数未来值

往期精彩内容：

单步预测-风速预测模型代码全家桶-CSDN博客

半天入门！锂电池剩余寿命预测（Python）-CSDN博客

超强预测模型：二次分解-组合预测-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客

独家原创 | SCI 1区 高创新预测模型！-CSDN博客

风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客

独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

VMD + CEEMDAN 二次分解——创新预测模型合集-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客

涨点创新 | 基于 Informer-LSTM的并行预测模型-CSDN博客

独家原创 | 基于 Informer + TCN-SENet的并行预测模型-CSDN博客

即插即用 | 时间编码+LSTM+全局注意力-CSDN博客

粉丝福利 | 再添 Seq2Seq 多步预测模型-CSDN博客

暴力涨点！ | 基于 Informer+BiGRU-GlobalAttention的并行预测模型-CSDN博客

热点创新 | 基于 KANConv-GRU并行的多步预测模型-CSDN博客

重大更新！锂电池剩余寿命预测新增 CALCE 数据集_calce数据集-CSDN博客

注意：本次教程是针对往期时间序列模型的一次补充，来实现对未来数据预测的简单示例！

在大部分预测任务的论文里面，一般不需要对未来数据进行预测的可视化展示（只展示模型对历史数据的拟合效果，原因是得不到未来的真实数据，不好评估预测拟合效果，所以会拿部分已知数据集划分为测试集，来充当未来数据进行可视化拟合效果展示）。而在实际项目里面，可能需要对未来数据进行预测，本期作品将介绍如何利用训练好的模型，来预测未来数据！

前言

本文基于2024-1-1到2024-10-26的上证指数收盘价格历史数据（文末附数据集），先经过数据预处理和制作加载，然后通过 Pytorch 实现 LSTM 模型对未来10个交易日收盘价格的预测。预测走势如下：

● 数据集：上证指数收盘价格历史数据

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 使用对象：论文需求、毕业设计、项目需求者

● 代码保证：代码注释详细、即拿即可跑通。

1 数据集介绍与预处理

1.1 导入数据集

从年初到10.25日，一共195个交易日数据：

取收盘价格为目标预测值！

1.2 数据集制作

按照 8：2 划分训练集，测试集，滑动窗口设置为7

2 基于Pytorch的 LSTM 预测模型

2.1 定义 LSTM 预测模型

2.2 设置参数，训练模型

注意调整参数：

• 可以修改LSTM层数和每层神经元个数；

• 增加更多的 epoch （注意防止过拟合）

• 可以改变滑动窗口长度（设置合适的窗口长度）

3 模型评估与可视化

3.1 结果可视化

3.2 模型评估

4 预测未来数据

4.1 预测思路

第一步：加载训练好的模型，加载历史数据；

第二步：初始化未来预测序列和交易日时间；

第三步：按照训练的输入方式，即用过去历史的 7 步，预测未来 1步，所以用最后的7步历史数据，来预测未来第一天的数据，然后更新这个7个数值的窗口序列，即每预测一次，删除第一个数据，然后把预测的结果加入到最后一个（把预测值当作已知值，预测下一步）；

4.2 预测结果可视化

单独预测结果:

结合历史数据可视化：

该模型已经在如下四个全家桶里面更新，请购买过的同学及时更新下载：

（1）单步预测全家桶

最强更新 | 一次拥有，全面掌握 Python 时间序列预测

（2）多步预测全家桶

热点创新 | 基于 KANConv-GRU并行的多步预测模型

（3）麻雀优化算法—创新预测模型全家桶

下载链接：https://mbd.pub/o/bread/mbd-ZZuWlZxr

（4）二次分解——创新模型预测全家桶

VMD + CEEMDAN 二次分解，TCN-Transformer并行预测模型

5 代码、数据整理如下：

点击下方卡片获取代码！