基于LSTM的股票时间序列预测（附数据集和代码）

如果对LSTM原理不懂得小伙伴可以看博主下一篇博客，因为博主水平有限，结合其他文章尽量把原理写的清楚些。

数据集

首先附上数据集
链接：https://pan.baidu.com/s/1AKsz-ohmYHr9mBEEh76P5g
提取码：6owv
这个数据集是关于股票的，里面有日期，开盘价等信息。

既然是时间序列预测，我们最关心的是预测值在时间维度上的走势如何，那我们只要最后一列volume和第一列date这两列就好了。

实战

先是导入相关包，一些常见的包就不详细说了，我们需要的Sequential，Dense, Activation, Dropout,这些可以在博主上几期关于keras的实战介绍。mean_squared_error是sklearn里面一个评价模型好坏的指标，相对来说越小越好，但也要看数据集值的范围。MinMaxScaler是一个归一化的包，归一化有很多好处，可以让模型算的更快，一些求导呀，梯度下降这些的，归一化后数据小，这些算法自然就运行快。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import math
from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout, LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from keras import optimizers
import time

这个是创建变量x和y的，因为lstm时间序列不像别的回归一个x，另一个值y，lstm的x和y全是一组数据产生的，也就是它自己和自己比。有一个关键的参数是look_back这个按中文直译就是回看，回溯，理解起来也很容易，假如是这个data是[1,2,3,4,5]，look_back为1的话.
x
[[1]
[2]
[3]] y就是[2 3 4]，意思就是用前一个数据预测后一个，这是look_back为1的意思。假如是为8，那前8个数据预测第9个数据。小伙伴们可以试试改变这个值，看一下结果是否会更好。
注意维度，维度这样设置一是归一化需要，二是输入网络的要求。
下面这个函数功能就是把data，

def creat_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i: (i+look_back)]
        dataX.append(a)
        dataY.append(dataset[i+look_back])
    return np.array(dataX), np.array(dataY)

读取一下数据，这些参数的意思是，输出series，series的序号就是date，这样方便下面画图，看着也更加直观。因为我们只要首尾2列，那就是0，5.

dataframe = pd.read_csv('zgpa_train.csv',
                        header=0, parse_dates=[0],
                        index_col=0, usecols=[0, 5], squeeze=True)
dataset