基于数据预处理工程（增加收益率波动）与GRU结合雅虎美股预测

 一.模型

1. 数据准备：

   • 读取股票数据集，数据集保存在"yahoo_stock.csv"文件中。
   • 对数据集进行预处理，包括计算收益率、去除缺失值等操作。

2. 波动率预测：

   • 使用GARCH模型来预测波动率。首先计算收益率的标准差作为初始波动率估计。
   • 然后使用滚动窗口的方法，对每个时间点前的数据进行GARCH模型拟合，并进行波动率预测。

3. GRU模型训练与预测：

   • 使用GRU模型来预测股票价格。首先对训练数据进行归一化处理。
   • 将归一化后的数据按照时间窗口划分为输入和输出序列。
   • 构建包含多个GRU层的模型，并使用Adam优化器和均方差损失函数进行编译。
   • 训练模型并进行预测。将预测结果反归一化得到实际股票价格。

4. 可视化结果：

   • 使用Matplotlib库绘制真实价格和预测价格的折线图。
   • 计算预测结果的R2得分，评估预测的准确性。
5. 程序具体实现过程

6. 以下是代码的详细说明：

7. 导入所需的库：

   • numpy：用于数值计算。
   • pandas：用于数据处理和分析。
   • random：用于生成随机数。
   • os：用于与操作系统交互。
   • tensorflow：用于构建和训练神经网络模型。
   • matplotlib：用于数据可视化。
   • math：用于数学计算。
   • arch：用于建立 GARCH 模型。
   • sklearn：用于数据预处理和评估指标计算。

8. 设置随机种子函数：

   • seedBasic：设置基本的随机种子。
   • seedTF：设置 TensorFlow 的随机种子。
   • seedEverything：设置所有的随机种子。

9. 读取股票数据：

   • 使用 pandas 库的 read_csv 函数读取名为 "yahoo_stock.csv" 的股票数据。

10. 数据预处理：

    • 创建新的列 "Return"，计算每日收益率。
    • 去除包含缺失值的行。
    • 计算波动率并拟合 GARCH 模型。
    • 绘制收益率和滚动波动率的图表。

11. 划分训练集和测试集：

    • 将数据集按照 80:20 的比例划分为训练集和测试集。

12. 创建训练数据集：

    • 使用 MinMaxScaler 进行归一化处理。
    • 将训练集数据转换为 LSTM 模型所需的格式。
    • 构建 LSTM 模型。

13. 训练 LSTM 模型：

    • 使用训练数据集训练 LSTM 模型。

14. 创建测试数据集：

    • 对测试集数据进行预处理和转换。

15. 使用训练好的 LSTM 模型进行预测：

    • 对测试数据集进行预测。
    • 将预测结果逆转换为原始数据范围。
    • 绘制真实价格和预测价格的图表。

16. 计算预测结果的评估指标：

    • 使用 R2 分数评估预测结果的准确性。

二。模型效果图

绘制收益率和滚动波动率的图、

运行效果视频：

 基于数据预处理工程与GRU结合雅虎美股预测_哔哩哔哩_bilibili