使用LLM进行股价预测(附代码)，当我用大模型做股票预测，已经对你们降维打击了

最新推荐文章于 2025-04-08 20:49:27 发布

AI大模型-大飞

最新推荐文章于 2025-04-08 20:49:27 发布

阅读量3.1k

点赞数 19

文章标签：大模型学习 AI产品经理人工智能语言模型大模型教程大模型 LLM

本文链接：https://blog.csdn.net/m0_63171455/article/details/144516868

版权

使用LLM进行股价预测(附代码)

注意

代码是完整的，但是需要 https://github.com/wxy2ab/akinterpreter 才能完整运行

利用 Python 和 AkShare 进行股票数据分析与预测：以中远海控为例

在本文中，我们将使用 Python 的 akshare 库获取中远海控（股票代码：601919.SH）2024 年的日线股票数据，并结合机器学习模型进行股价预测。接着，我们会可视化历史数据与预测结果，并生成一份简短的市场分析报告。整个过程涵盖了数据获取、处理、预测、可视化和分析等多个环节。

1. 获取中远海控2024年日线股票数据

首先，我们利用 akshare 库中的 stock_zh_a_daily 函数来获取中远海控股票的日线数据。

import akshare as ak   import datetime      # 获取今天日期   today = datetime.date.today()      # 将日期转换成 yyyyMMdd 格式   end_date = today.strftime("%Y%m%d")      # 使用 stock_zh_a_daily 函数获取中远海控2024年日线股票数据   cosco_daily_data_2024 = ak.stock_zh_a_daily(symbol="601919.SH", start_date="20240101", end_date=end_date)      # 打印返回的数据   print(cosco_daily_data_2024)

在这段代码中，我们通过 ak.stock_zh_a_daily 函数获取了从 2024 年 1 月 1 日到今天的中远海控股票数据，并将其打印出来进行检查。

2. 数据预处理与预测

我们将获取的数据进行一些预处理，确保数据格式适合机器学习模型的输入。然后，我们使用机器学习模型（假设通过某个 llm_client 客户端）进行未来 5 天股价的预测。

2.1 数据处理函数

这里定义了两个函数，一个用于处理输入数据，另一个用于处理模型预测结果。

import pandas as pd   import re      # 准备输入数据   input_data = cosco_daily_data_2024[['date', 'close']].set_index('date')      # 定义数据处理函数   def data_processor(data):       return data.asfreq('D').fillna(method='ffill').iloc[-30:]  # 使用最近30天的数据      # 定义响应处理函数   def response_processor(response, num_of_predict):       # 使用正则表达式提取预测结果中的数字       numbers = re.findall(r'\d+\.\d+', response)       predictions = [float(num) for num in numbers[-num_of_predict:]]       return pd.Series(predictions, name='close', index=pd.date_range(start=input_data.index[-1] + pd.Timedelta(days=1), periods=num_of_predict))

data_processor 函数：将数据处理为按日频率，填充缺失值，并返回最近 30 天的数据。
response_processor 函数：处理模型的预测结果，提取出预测的股价数据，并将其转换为 Pandas Series 对象。

2.2 进行预测

接下来，我们使用 llm_client 进行预测，假设该客户端能够接收历史数据并返回预测结果。

# 使用llm_client进行预测   predictions = llm_client.predict(input_data, num_of_predict=5, data_processor=data_processor, response_processor=response_processor)

在这一步，我们将处理过的 input_data 传递给 llm_client，并设置预测天数为 5 天。预测结果通过 response_processor 处理，转换为 Pandas Series。

3. 数据可视化

我们使用 matplotlib 和 seaborn 库来绘制中远海控的历史股价和预测股价曲线。在此之前，我们还需要确保字体设置正确，以支持中文显示。

3.1 配置中文字体

import os   from matplotlib import font_manager      # 设置中文字体   def configure_matplotlib_for_chinese():       import platform       system = platform.system()       if system == 'Windows':           font_name = 'SimHei'       elif system == 'Darwin':           font_name = 'STHeiti'       else:  # For Linux           font_path = '/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc'           if os.path.exists(font_path):               font_manager.fontManager.addfont(font_path)               font_name = font_manager.FontProperties(fname=font_path).get_name()           else:               raise FileNotFoundError(f"Font file not found: {font_path}")              # Set the font properties       plt.rcParams['font.sans-serif'] = [font_name]       plt.rcParams['font.family'] = 'sans-serif'       plt.rcParams['axes.unicode_minus'] = False      # 运行配置函数   configure_matplotlib_for_chinese()

为了在可视化图表中正确显示中文，我们根据不同的操作系统设置了合适的中文字体。对于 Windows 和 macOS，分别使用了系统自带的字体；对于 Linux，则使用了 wqy-zenhei 字体。

3.2 绘制图表

import matplotlib.pyplot as plt   import uuid      # 访问之前步骤的数据   historical_data = cosco_daily_data_2024   prediction_data = predictions      # 合并历史数据和预测数据   historical_data['date'] = pd.to_datetime(historical_data['date'])   historical_data.set_index('date', inplace=True)   combined_data = pd.concat([historical_data['close'], prediction_data['close']])      # 绘制图表   plt.figure(figsize=(12, 6))   plt.plot(historical_data.index, historical_data['close'], label='历史数据')   plt.plot(prediction_data.index, prediction_data['close'], color='red', label='预测数据')   plt.title('中远海控股价历史数据和预测')   plt.xlabel('日期')   plt.ylabel('收盘价')   plt.legend()   plt.grid(True)      # 保存图表   file_name = f"output/{uuid.uuid4()}.png"   plt.savefig(file_name)   plt.close()

在这段代码中，我们将历史股价与预测股价合并，并绘制出两条曲线。historical_data 显示历史的收盘价曲线，prediction_data 则用红色表示未来 5 天的预测股价。图表保存为 PNG 格式，并保存在 output 文件夹中。

4. 统计数据与市场分析

绘制图表后，我们还可以计算一些统计数据，比如股价变化率，并生成简短的市场分析。我们使用 LLM（大语言模型）来生成对未来股价的分析和投资建议。

4.1 计算统计数据

# 计算一些统计数据   last_historical_price = historical_data['close'].iloc[-1]   first_prediction_price = prediction_data['close'].iloc[0]   prediction_change = (prediction_data['close'].iloc[-1] - first_prediction_price) / first_prediction_price * 100

这里我们计算了：

last_historical_price：最后一个历史数据点的收盘价。
first_prediction_price：预测的第一天收盘价。
prediction_change：预测期间股价的变化率。

4.2 使用 LLM 进行市场分析

# 使用LLM API进行分析   llm_client = llm_factory.get_instance()   prompt = f"根据以下数据分析中远海控未来5天的股价趋势：最后历史价格 {last_historical_price:.2f}，预测5天后价格 {prediction_data['close'].iloc[-1]:.2f}，预测期间变化率 {prediction_change:.2f}%。请给出简短的市场分析和投资建议。"   response = llm_client.one_chat(prompt)

在这段代码中，我们构建了一个包含历史和预测数据的提示词，并通过 llm_client 发送给 LLM 模型，请求对未来 5 天的股价趋势进行分析。

4.3 生成最终报告

# 准备返回值   results = []   results.append(f"![中远海控股价历史数据和预测图表]({file_name})")   results.append("主要发现：")   results.append(f"1. 最后一个历史数据点的收盘价为 {last_historical_price:.2f}")   results.append(f"2. 预测的第一天收盘价为 {first_prediction_price:.2f}")   results.append(f"3. 预测期间的价格变化率为 {prediction_change:.2f}%")   results.append(f"4. 预测显示未来5天的股价呈现{('上升' if prediction_change > 0 else '下降')}趋势")   results.append("5. LLM分析结果：")   results.append(response)      # 将结果保存到 analysis_result 变量   analysis_result = "\n".join(results)

最终，我们将所有的结果整合到 analysis_result 中，这包括：

图表文件的引用。
主要发现，包括历史收盘价、预测收盘价和价格变化率。
LLM 生成的市场分析。

5. 总结

本项目演示了如何使用 Python 进行股票数据的获取、处理、预测与可视化。通过 akshare 获取数据，结合机器学习模型进行预测，再借助 matplotlib 绘制图表，最后生成简短的市场分析。

完整代码

import akshare as ak   import datetime      # 获取中远海控2024年的日线股票数据   # 中远海控的股票代码是 "601919.SH"      # 使用stock_zh_a_daily函数获取数据   # 获取今天的日期   today = datetime.date.today()      # 将日期转换成yyyyMMdd格式   end_date = today.strftime("%Y%m%d")      # 使用stock_zh_a_daily函数获取数据   cosco_daily_data_2024 = ak.stock_zh_a_daily(symbol=symbol, start_date="20240101", end_date=end_date)      # 直接打印返回的数据，不做任何处理   print(cosco_daily_data_2024)      import pandas as pd   import re      # 准备输入数据   input_data = cosco_daily_data_2024[['date', 'close']].set_index('date')      # 定义数据处理函数   def data_processor(data):       return data.asfreq('D').fillna(method='ffill').iloc[-30:]  # 使用最近30天的数据      # 定义响应处理函数   def response_processor(response, num_of_predict):       # 使用正则表达式提取数字       numbers = re.findall(r'\d+\.\d+', response)       predictions = [float(num) for num in numbers[-num_of_predict:]]       return pd.Series(predictions, name='close', index=pd.date_range(start=input_data.index[-1] + pd.Timedelta(days=1), periods=num_of_predict))      # 使用llm_client进行预测   predictions = llm_client.predict(input_data, num_of_predict=5, data_processor=data_processor, response_processor=response_processor)      import pandas as pd   import matplotlib.pyplot as plt   import seaborn as sns   import uuid   import os   from matplotlib import font_manager      # 确保output文件夹存在   os.makedirs('output', exist_ok=True)      # 设置中文字体   def configure_matplotlib_for_chinese():       import platform       system = platform.system()       if system == 'Windows':           font_name = 'SimHei'       elif system == 'Darwin':           font_name = 'STHeiti'       else:  # For Linux           font_path = '/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc'           if os.path.exists(font_path):               font_manager.fontManager.addfont(font_path)               font_name = font_manager.FontProperties(fname=font_path).get_name()           else:               raise FileNotFoundError(f"Font file not found: {font_path}")              # Set the font properties       plt.rcParams['font.sans-serif'] = [font_name]       plt.rcParams['font.family'] = 'sans-serif'       plt.rcParams['axes.unicode_minus'] = False      # 运行配置函数   configure_matplotlib_for_chinese()      # 访问之前步骤的数据   historical_data = cosco_daily_data_2024   prediction_data = predictions      # 合并历史数据和预测数据   historical_data['date'] = pd.to_datetime(historical_data['date'])   historical_data.set_index('date', inplace=True)   combined_data = pd.concat([historical_data['close'], prediction_data['close']])      # 绘制图表   plt.figure(figsize=(12, 6))   plt.plot(historical_data.index, historical_data['close'], label='历史数据')   plt.plot(prediction_data.index, prediction_data['close'], color='red', label='预测数据')   plt.title('中远海控股价历史数据和预测')   plt.xlabel('日期')   plt.ylabel('收盘价')   plt.legend()   plt.grid(True)      # 保存图表   file_name = f"output/{uuid.uuid4()}.png"   plt.savefig(file_name)   plt.close()      # 计算一些统计数据   last_historical_price = historical_data['close'].iloc[-1]   first_prediction_price = prediction_data['close'].iloc[0]   prediction_change = (prediction_data['close'].iloc[-1] - first_prediction_price) / first_prediction_price * 100      # 准备返回值   results = []   results.append(f"![中远海控股价历史数据和预测图表]({file_name})")   results.append("主要发现：")   results.append(f"1. 最后一个历史数据点的收盘价为 {last_historical_price:.2f}")   results.append(f"2. 预测的第一天收盘价为 {first_prediction_price:.2f}")   results.append(f"3. 预测期间的价格变化率为 {prediction_change:.2f}%")   results.append(f"4. 预测显示未来5天的股价呈现{('上升' if prediction_change > 0 else '下降')}趋势")      # 使用LLM API进行分析   llm_client = llm_factory.get_instance()   prompt = f"根据以下数据分析中远海控未来5天的股价趋势：最后历史价格 {last_historical_price:.2f}，预测5天后价格 {prediction_data['close'].iloc[-1]:.2f}，预测期间变化率 {prediction_change:.2f}%。请给出简短的市场分析和投资建议。"   response = llm_client.one_chat(prompt)      results.append("5. LLM分析结果：")   results.append(response)      # 将结果保存到analysis_result变量   analysis_result = "\n".join(results)