【无标题】lstm训练股票数据

@lstm训练股票数据 TOC
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
import matplotlib.pyplot as plt
import numpy as np

读取数据 数据为tushare下载的0000001.sz的数据保存为txt文件

df = pd.read_csv(‘D:/2/df.txt’,delimiter=‘\t’, encoding=‘utf-8’)

设置日期为索引

df = df.set_index(‘trade_date’)

提取收盘价作为目标变量

close = df[‘close’].values.reshape(-1,1)

特征缩放

scaler = MinMaxScaler(feature_range=(0, 1))
close_scaled = scaler.fit_transform(close)

划分训练集和测试集

train_size = int(len(close_scaled) * 0.8)
train = close_scaled[:train_size]
test = close_scaled[train_size:]

构建数据集

def create_dataset(data, window_size=20):
X, y = [], []
for i in range(len(data)-window_size-1):
features = data[i:(i+window_size)]
target = data[i+window_size]
X.append(features)
y.append(target)
return np.array(X), np.array(y)

X_train, y_train = create_dataset(train, 20)
X_test, y_test = create_dataset(test, 20)
y_test = y_test.reshape(-1, 1)

LSTM模型

model = Sequential()
model.add(LSTM(64, input_shape=(X_train.shape1, X_train.shape2)))
model.add(Dense(1))
model.compile(loss=‘mae’, optimizer=‘adam’)

model.fit(X_train, y_train, epochs=100, batch_size=16, verbose=1,shuffle=False)

预测

y_pred = model.predict(X_test)
y_test = y_test.reshape(-1, 1)
y_pred = y_pred.reshape(-1, 1)

反标准化

y_test = scaler.inverse_transform(y_test)
y_pred = scaler.inverse_transform(y_pred)

策略回测

buy_signals = np.where(np.diff(y_pred) > 0)
sell_signals = np.where(np.diff(y_pred) < 0)
profits = []
for i in range(len(buy_signals[0])):
buy_price = y_test[buy_signals[0][i]]
sell_price = y_test[sell_signals[0][i]+1]
profit = (sell_price - buy_price) / buy_price
profits.append(profit)

评价

rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(‘Test RMSE: %.3f’ % rmse)

绘图

plt.plot(y_test, label=‘Actual Price’)
plt.scatter(buy_signals[0], y_test[buy_signals[0]], marker=‘^’, s=200, color=‘green’, label=‘Buy’)
plt.scatter(sell_signals[0], y_test[sell_signals[0]], marker=‘v’, s=200, color=‘red’, label=‘Sell’)
plt.plot(profits, label=‘Profit’)
plt.legend()
plt.show()

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }$$