2020.09.07LSTM用于股票预测

LSTM用于股票预测

库

使用到的库：Pandas库

一，数据处理

一，加载数据集

二，获取第六列数据，转成列表

三，对每一列数据做归一化处理.（MinMaxScaler）

MinMaxScaler作用是每一列，即每一维特征。将每一维特征线性地映射到指定的区间，通常是[0, 1]。
MinMaxScaler计算数据集的汇总统计量，并产生一个MinMaxScalerModel。
注意因为零值转换后可能变为非零值，所以即便为稀疏输入，输出也可能为稠密向量。
该模型可以将独立的特征的值转换到指定的范围内。
它也有两个参数可以设置：

• min: 默认为0。指定区间的下限。
• max: 默认为1。指定区间的上限。

二，LSTM网络

# create and fit the LSTM network, optimizer=adam, 25 neurons, dropout 0.1
# 创建并适应LSTM网络，优化器=adam, 25个神经元，dropout 0.1
model = Sequential()
model.add(LSTM(25, input_shape=(1, look_back)))
model.add(Dropout(0.1)) #损失值：0.1
model.add(Dense(1)) #全连接层，以(*,1)数组输出
model.compile(loss='mse', optimizer='adam') #用于配置训练模型 optimizer：优化器adam，loss:mse
model.fit(trainX, trainY, epochs=1000, batch_size=240, verbose=1)

功能显示：

为什么没有显示预测多少，它就预测了未来这么多的数量？

1.数据的变化

数据归一化处理：（5024，1）

数据分训练集和测试集：（2517，1），（2517，1）

构造新的数据，数组转成矩阵（二维张量）（为什么不要最后的240数据，倒数的前2276数据包含最后的数据240.）：（2276，240）

将二维张量构造为三维张量，将输入重塑为[样本、时间步长、特征]：(2276, 1, 240)

待输入模型的数据，trainX.shape前2276，trainY.shape从240到2516的2276.：trainX.shape，(2276, 1, 240)；trainY.shape，(2276,).

2.程序的结构图

3改变参数，epochs：训练模型迭代的次数为1000，2000，10000的时候.

4.基于LSTM的股票收盘价预测分析