深度学习实战——CNN+LSTM+Attention预测股票

已于 2023-01-19 11:28:17 修改
阅读量1.9w 收藏 207
点赞数 25
文章标签： 深度学习 股价预测 LSTM
于 2022-04-27 00:44:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37668436/article/details/124440840
版权
本文介绍了一种使用PyTorch进行股票价格预测的方法，结合CNN、LSTM和不同类型的Attention机制。通过历史股票数据的open, low, close, high预测未来股票变化趋势。实验结果显示，加入SE注意力机制的模型表现较好，但存在过拟合问题。后续优化计划包括引入Transformer和应用滑动平均过滤噪声。" 122251822,350945,智慧水利三维可视化：决策支持与应急响应,"['人工智能', '大数据', '物联网', '数字孪生', '智慧水利']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

本文使用pytorch实现，根据历史股票的open,low,close,high数据预测未来股票的变化趋势。
代码在文末

用xgboost也跑了一下：机器学习实战——股票close预测

拟合结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

了解本专栏 订阅专栏 解锁全文
CNN+LSTM+Attention实现时间序列预测(PyTorch版)
CSDN 精品推荐
01-19 1万+
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
Keras框架 深度学习模型CNN+LSTM+Attention机制 预测黄金主力收盘价
joinquantdata的博客
02-14 2万+
—— 本篇文章 by HeartBearting 有问题欢迎与我交流。 评论留言或者联系我的邮箱：jiaohaibin@ruc.edu.cn 数据由JQData本地量化金融数据支持 实验2： 使⽤历史前5个时刻的 open close high low volume money 预测当前时刻的收盘价， 即 [None, 5, 6] => [None, 1] # None是 batch_s...
深度学习篇---LSTM+Attention模型
道阻且长，行则将至。
04-07 1594
本文简答介绍了LSTM和Attention模型的使用以及一系列相关知识。遗忘门：决定从细胞状态中丢弃哪些信息输入门：确定哪些新信息将被存储到细胞状态输出门：基于细胞状态确定输出什么。
深度学习 股市预测
12-25
深度学习 股市预测，与AR（10）模型进行对比，数据是韩国股价
基于深度学习的股票预测
weixin_42605076的博客
07-19 2585
基于深度学习的股票预测是一项复杂且具有挑战性的任务，涉及金融数据的分析和预测。其目的是利用深度学习模型来预测股票价格的走势，从而帮助投资者做出更为准确的投资决策。
CNN+LSTM+Attention实现时间序列预测
pengxiang1998的博客
11-17 5万+
LSTM 隐藏层输出向量作为注意力层的输入，通过一个全连接层进行训练，再对全连接层的输出使用 softmax 函数进行归一化，得出每一个隐藏层向量的分配权重，权重大小表示每个时间步的隐状态对于预测结果的重要程度。权重训练过程如下：Ｓ。
基于CNN(一维卷积Conv1D)-LSTM-Attention实现股价多变量时序预测(PyTorch版)
时序笔记
07-23 1623
在深度学习的众多模型中，卷积神经网络（CNN）和长短期记忆网络（LSTM）因其独特的优势而被广泛应用于时间序列预测领域。CNN能够有效捕捉数据的局部特征，而LSTM则通过其内部的记忆单元和门控机制，能够处理序列数据中的长期依赖关系，非常适合于股票这类具有时序特性的数据。然而，尽管CNN和LSTM的结合已经在许多时间序列预测任务中取得了显著的效果，但在面对多变量、高噪声的股票数据时，其预测精度仍有待提高。为此，本文引入了注意力机制提高了模型精度。
Keras深度学习实战（33）——基于LSTM的序列预测模型
盼小辉丶的博客
11-02 7713
长短时记忆网络 (LSTM) 可以返回最后一个时间戳的结果，即输出为一维数据，而多对多神经网络架构输出为多个维度，其中每个维度对应一个输出，而非多个类别的 softmax 激活函数值。例如，在股价预测中，我们可以使用多对多神经网络架构预测未来 5 天的股价，而不仅是下一个交易日的股价。在这类情况下，我们构建神经网络模型的方式有所不同。本文基于 LSTM 研究各类不同模型的序列预测问题，包括一对一架构以及多对多架构，并且通过实战验证了不同架构的输出结果。
天池零基础入门NLP竞赛实战：Task4 基于深度学习的文本分类2.2-Word2Vec+TextCNN+BiLSTM+Attention分类
weixin_43243315的博客
10-16 3769
Task4 基于深度学习的文本分类2.2-Word2Vec+TextCNN+BiLSTM+Attention分类 完整代码见：NLP-hands-on/天池-零基础入门NLP at main · ifwind/NLP-hands-on (github.com) 模型架构 模型结构如下图所示，主要包括WordCNNEncoder、SentEncoder、SentAttention和FC模块。 最终需要做的是文档分类任务，从文档的角度出发，文档由多个句子序列组成，而句子序列由多个词组成，因此我们可以考虑从词的
基于 BiLSTM+Attention 实现降雨预测多变量时序分类——明日是否降雨
时序笔记
09-05 1557
降雨预测作为气象学和水文学领域的重要研究课题，‌对于农业、‌城市规划、‌水资源管理及灾害预警等多个方面都具有极其重要的实际应用价值。‌传统的降雨预测方法主要依赖于数值天气预报模型和统计学方法，‌但这些方法在处理复杂非线性关系和时序依赖性时存在一定的局限性。‌近年来，‌随着深度学习技术的快速发展，‌尤其是循环神经网络（‌RNN）‌及其变体长短时记忆网络（‌LSTM）‌和双向长短时记忆网络（‌BiLSTM）‌在时序数据处理方面展现出了强大的能力。‌
CNN-LSTM-Attention-master.zip
08-24
CNN_LSTM加注意力机制对股票预测，文件有数据
cnn+lstm+attention对时序数据进行预测
02-18
cnn+lstm+attention对时序数据进行预测 博客链接： https://blog.csdn.net/qq_30803353/article/details/121875376 1、摘要 本文主要讲解：bilstm-cnn-attention对时序数据进行预测 主要思路： 对时序数据进行分块，生成三维时序数据块 建立模型，卷积层-bilstm层-attention按顺序建立，attention层可放中间也可放前面，效果各不相同 训练模型，使用训练好的模型进行预测 调参优化，保存模型 2、数据介绍 需要数据和数据介绍请私聊，评论区可以找到我的球球 3、相关技术 BiLSTM：前向和方向的两条LSTM网络，被称为双向LSTM，也叫BiLSTM。其思想是将同一个输入序列分别接入向前和先后的两个LSTM中，然后将两个网络的隐含层连在一起，共同接入到输出层进行预测。 attention注意力机制 一维卷积 cnn+lstm+attention 网络结构图 RNN-＞LSTM-＞BiLSTM神经网络结构 注意力机制----transformer中注意力机制 使用Python和Kera
CNN+LSTM+Attention多热点搭配！又是创新性拉满的高分思路！！
学姐带你玩AI的博客
11-06 4560
这个模型结合了三种不同类型的神经网络架构，充分挖掘了数据中的空间和时间信息，不仅能捕捉数据的局部特征和长期依赖关系，还可以自动关注输入数据中最重要的部分，在方面起到了非常重要的作用。因此它也是解决时间序列预测和其他序列数据处理任务的首选，关于它的研究在，比如分类准确率近100％的CBLA模型等。如果有论文er感兴趣，需要这方面的参考以便找idea，我这边也提供，开源的代码都附上了，希望可以给各位的论文添砖加瓦。论文原文+开源代码需要的同学看文末。
基于深度学习的股票价格预测研究
m0_73485263的博客
10-03 3818
如今的时代，信息爆炸满足了深度学习需要的大量的数据，CPU、GPU和云计算的发展满足了深度学习需要的大量计算力，以及优秀算法大大缩短了训练周期，这些共同使得深度学习的实现变得越来越容易。最后，本文实验的数据量不大，且使用的是日线数据，日后的研究可以采用更高频的小时线、分钟线，增加数据量的同时更有利于深度学习的挖掘。把握公司未来价值中重要的一环在于对公司价值的估值，即使采用相同的估值方法，不同的人对未来的预期不同，所得到的价值也不同，所以基本面分析只能提供一个大致上涨或下跌的趋势，无法提供明确的交易信号。
超好中小论文的idea：CNN+LSTM+Attenttion
2401_88556812的博客
03-25 1084
CNN-LSTM-Attention（CLA）模型：提出一种结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制的深度学习模型，用于预测根区土壤湿度。预测精度提升：CLA模型在80-100cm深度的土壤湿度预测中，R²值接近0.9298，RMSE比LSTM和CNN-LSTM模型分别降低了49%和57%。ACLMC模型：提出一种基于注意力机制的CNN-LSTM模型（ACLMC），结合不同频率和货币的相关性，支持多货币同时预测，降低投资风险。
代码可直接运行：利用深度学习进行股票预测，支持pytorch,keras和tensorflow
海晨威
11-12 5万+
博主路一瓢的博文，让人受益匪浅。但博主提供的代码有一些bug，无法直接运行，经过本人的多番调试，已能完整运行，需要修改的路径问题也已经在代码中给出了注释，希望能在深度学习的路上给大家带来一些帮助。
深度学习100例-循环神经网络（LSTM）实现股票预测 | 第10天
热门推荐
“365天深度学习训练营”报名进行中～
05-12 9万+
文章目录一、前言二、LSTM的是什么三、准备工作1.设置GPU2.设置相关参数3.加载数据四、数据预处理1.归一化2.时间戳函数五、构建模型六、激活模型七、训练模型八、结果可视化1.绘制loss图2.预测3.评估 一、前言 今天是第10天，我们将使用LSTM完成股票开盘价格的预测，最后的R2可达到0.74，相对传统的RNN的0.72提高了两个百分点。 我的环境： 语言环境：Python3.6.5 编译器：jupyter notebook 深度学习环境：TensorFlow2.4.1 来自专栏：【深度学习
基于 CNN-LSTM 模型的股票预测
最新发布
Zhouzhouzhousan的博客
04-12 2396
基于历史股票数据（开盘价、收盘价、最高价、最低价、成交额、换手 率、涨跌幅、CCI、布林带带宽），使用 CNN - LSTM 模型预测未来的股票 收盘价，探究该模型在 50 只中国沪深 300 指数成分股中的预测性能。
桥梁检测+LSTM
03-17
### 使用LSTM模型实现桥梁健康监测或故障预测的方法 #### 数据预处理阶段 在实际应用中，桥梁健康监测通常涉及大量的传感器数据采集。这些数据可能包含噪声、异常值以及缺失值等问题。为了确保后续建模的有效性和准确性，在使用LSTM模型之前需要对原始数据进行必要的清洗和预处理。 对于缺失值问题，可以采用递归神经网络（RNN）中的变体——RIME算法来进行填补[^4]。该方法通过学习时间序列的上下文信息，能够更精确地估计缺失值并减少传统插值法带来的误差影响。此外，还可以通过对原始信号施加人工扰动后再由RIME完成修复操作作为额外的数据扩充策略之一，从而进一步提升最终训练所得模型之鲁棒性表现水平。 经过上述步骤之后，则需标准化输入变量范围使其适合于深度学习框架下的数值计算需求；这一步骤有助于加速收敛过程同时也改善了梯度下降过程中可能出现的一些不稳定现象的发生几率。 #### 构建LSTM模型架构 针对桥梁结构响应特性分析任务而言，可以选择双向长期短期记忆单元(BiLSTM)，因为它不仅可以捕捉过去时刻的状态变化趋势还能兼顾未来一段时间内的潜在规律模式 。这种机制特别适用于那些具有复杂动力学行为的对象系统监控场合下 。 具体来说 ，整个流程如下所示： 1. **定义输入层**：考虑到每条记录都是一段时间间隔内连续采样的测量结果集合形式存在,所以这里我们将设定固定长度窗口大小w 来截取相应片段送入网络当中去； 2. **堆叠多个BiLSTM 层**: 这样做可以让高层提取更加抽象高层次语义级别的特征表示出来; 3. **全连接输出层设计**: 根据具体的业务场景目标不同(比如二元分类判断是否存在安全隐患 或者多元回归评估损伤程度等级),设置对应维度大小 的dense layer 并激活函数类型 (sigmoid /softmax etc.) 以下是Python代码示例展示如何搭建这样一个基本版别的BiLSTM用于解决前述提到过的挑战: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense,Bidirectional,LSTM,Dropout def build_bilstm_model(input_shape,num_classes): model =Sequential() # Add first Bidirectional LSTM Layer with dropout regularization model.add(Bidirectional(LSTM(units=64,return_sequences=True), input_shape=input_shape)) model.add(Dropout(rate=0.5)) # Second BiLSTM Layer without returning sequences since it's last one before dense layers. model.add(Bidirectional(LSTM(units=32))) # Output Fully Connected Layers depending upon task type i.e., classification vs regression if num_classes>1 : model.add(Dense(num_classes,activation='softmax')) # For multi-class classifications tasks else: model.add(Dense(1 , activation="sigmoid")) # Binary Classification Case return model # Example Usage Assuming Time Series Data Has Shape Of (Samples,Timesteps,Features) input_dim=(timesteps,features_count) num_output_categories=2 # Replace according actual requirement either binary or multiclass case. model_instance=build_bilstm_model(input_dim,num_output_categories) print(model_instance.summary()) ``` #### 训练与验证环节 一旦完成了前期准备工作即确定好超参数配置列表后就可以正式进入到最为核心的训练部分啦!在此期间建议采取早停(Early Stopping)技术防止过拟合情况发生;与此同时也可以借助交叉熵损失函数(Categorical Crossentropy Loss Function )配合Adam Optimizer共同作用达到理想效果最佳组合方案。 另外值得注意的一点就是关于测试集选取方面最好是从独立时间段抽取样本构成而不是简单随机划分方式这样更能反映真实世界环境下部署后的性能指标状况哦！ ---
评论 88
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

只会git clone的程序员

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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