Tushare接口+LSTM模型预测股票走势

Tushare接口+LSTM模型预测股票走势

Tushare ID:423115

Tushare接口优势以及使用方法

Tushare是一款国内使用较为热门的财经接口,数据源稳定不易出错,速度较快,能符合开发的需求,下面讲讲使用的基本方法。

  1. 注册账号 通过注册账号可以获取属于个人的token码;
    在这里插入图片描述
  2. python中import tushare 并且调用接口
import tushare as ts
ts.set_token('你的token码')
pro = ts.pro_api()

数据预处理

import numpy as np
from sklearn.preprocessing import MinMaxScaler
import tushare as ts
ts.set_token('你的token码')
pro = ts.pro_api()

#获取数据集
ts_code_temp = stock_config.STOCKCODE
df = pro.daily(ts_code = ts_code_temp, start_date='20160701')
df = df.sort_index(ascending=False)

df_close = df.reset_index()[['trade_date','close']]

#数据规则化
scaler=MinMaxScaler(feature_range=(0,1))
df_min=scaler.fit_transform(np.array(df_close['close']).reshape(-1,1))

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
CNN LSTM模型是一种用于时间序列预测的深度学习模型。它的基本结构包括卷积神经网络(CNN)和长短期记忆网络(LSTM)的组合。 首先,CNN用于提取时间序列数据的局部特征。时间序列数据通常具有一定的局部模式,例如上升、下降或周期性变化。通过卷积操作,CNN能够捕捉到这些局部特征。 接下来,LSTM用于捕捉时间序列数据的长期依赖关系。时间序列数据中的每个数据点都与其前面和后面的数据点有关联。LSTM通过记忆单元和门控机制来维护和更新时间序列数据的状态,从而捕捉到这种长期依赖关系。 在CNN LSTM模型中,首先使用卷积层来提取时间序列数据的局部特征。卷积层可以有多个,并且每个卷积层可以有不同的卷积核和激活函数。然后,使用池化层来减少特征的维度,并保留最重要的信息。 接下来,将CNN的输出序列输入到LSTM层中。LSTM层由多个LSTM单元组成,每个LSTM单元都有自己的输入、遗忘和输出门,用于控制信息的流动。LSTM层可以有多个,并且每个LSTM层可以有不同的参数。 最后,将LSTM层的输出传递到全连接层,用于生成时间序列数据的预测结果。全连接层可以有多个,并且每个全连接层可以有不同的激活函数。 CNN LSTM模型在时间序列预测中具有很好的性能。它能够同时捕捉到时间序列数据的局部和全局特征,并且能够学习到时间序列数据的长期依赖关系。因此,它在多种领域的时间序列预测任务中都被广泛应用,例如股票价格预测、天气预测和交通流量预测等。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值