Python实现基于LSTM对股票走势的预测毕业论文+项目源码及数据库文件-CSDN博客

本文链接：https://blog.csdn.net/qq_43368615/article/details/144371324

！！！有需要的小伙伴可以通过文章末尾名片咨询我哦！！！

💕💕作者：毕业通通通
💕💕个人简介：本人在读博士研究生，拥有多年程序开发经验，辅导过上万人毕业设计，支持各类专业；如果需要论文、毕设辅导，程序定制可以联系作者
💕💕各类成品java系统。javaweb，ssh，ssm，springboot等等项目框架，源码丰富，欢迎咨询交流。学习资料、程序开发、技术解答、代码讲解、源码部署，需要请看文末联系方式。

摘要

┊

为对股票价格的涨跌幅度进行预测，本文使用了基于长短期记忆网络(LSTM)的方法。根
据股票涨跌幅问题，通过对股票信息作多值量化分类，将股票预测转化成一个多维函数拟
合问题。将股票的历史基本交易信息作为特征输入，利用神经网络对其训练，最后对股票的
涨跌幅度做分类预测。数据集为代号 510050 的上证股票，实验结果表明该模型在单纯预测
涨跌的情况下有比较好的预测效果。

┊

摘要................................................................................................................... 3

一、问题描述..................................................................................................... 3

┊

1.1 绪论............................................................................... 3

┊

1.2 当前股票预测的方法概述................................................ 4
1.3 本文所使用的模型.......................................................... 5
二、数据集说明................................................................................................. 5
2.1 tushare 库和 Talib 库概要................................................... 5
2.2 获取历史行情数据.......................................................... 6

装 2.3 实现代码：..................................................................... 7

2.4 数据预处理..................................................................... 9
2.5 设计代码...................................................................... 10

┊

1. 股票预测使用数据说明................................................... 11

┊

1. 特征工程处理................................................................. 14

┊

订 2.8 输出数据说明............................................................... 16

三、LSTM 模型............................................................................................... 16
3.1 LSTM 模型概要.............................................................. 16
3.2 股票预测模型特征分析.................................................. 17
3.3 本文所使用的 LSTM 结构.............................................. 18
3.4 本次实验所采用的结构图.............................................. 19

线四、实验流程和结果......................................................................................... 19

4.1 数据获取...................................................................... 19
4.2 Pytorch 工具集概要......................................................... 19
4.3 Pytorch 指令解析............................................................ 19

┊

1. 搭建 LSTM 预测模型...................................................... 21

┊

1. 拟合结果评估方法概要................................................... 21

┊

4.6 项目附件说明............................................................... 24

4.7 项目使用说明书 24

一、问题描述

装

┊

1.1 绪论

随着我国经济的快速发展，政府、投资机构以及投资者们对股票预测的需求也越来越多。
因此，对股票价格走势的分析成为越来越多研究者关注的课题。但股票价格高度的波动性
与不确定性，使其成为计算机领域和金融领域的一大难题。

订由于股票本身的波动性和不确定性，其价格是否可以被预测这一议题一直存在着不少争

议。在 1956 年，Fama 提出了“有效市场假说”，指出股票的价格可以立即充分地反映市场

上所有的已知信息，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假

说为之后的股票预测工作提供了依据。
股票投资通常会选择某一类或某一只股票来作为投资对象，对这一类或一只股票进行预线测，既可以将整体的股票交易信息作为训练数据，也可以只选择该类或该只股票的交易信息
作为训练数据。模型有决策树、LR、支持向量机等传统机器学习的方法，也有深度学习的方
法。一种最常见的股票预测方法是自回归模型，然而此类模型通常用于处理线性的稳定数据，

用于处理股价存在着一定的局限性。因此也有人使用非线性模型如支持向量机、马尔可夫模

型等，用以处理股票的非线性特征。

考虑到股票数据的时序性，本文选择用对时序序列有较好性能的 LSTM 网络分别对其训
练，将训练好的模型用于预测次日收盘价的涨跌幅，并对结果做对比分析。

1.2 当前股票预测的方法概述
 基于决策树的逐步回归算法。逐步回归算法是目前被广泛应用的一种回归算法。逐
步回归算法的基本思想是：逐个引入自变量，每次引入的自变量对因变量 Y 影响

┊

最显著。每引入一个新自变量，都要对之前引入到回归方程中的旧自变量进行逐个

┊

检验，将当前方程中不显著的自变量，从对因变量 Y 影响最小的自变量开始，进

┊

行逐个剔除，直到不能再引入新的自变量为止。最终在回归方程中保留的自变量
对因变量 Y 都是显著影响的，而不在回归方程中的自变量对 Y 的作用都是不显
著的，这样的回归方程称为最优回归方程。

装  SVM 方法，参考目前论文中出现频率最高的 SVM、BP 神经网络和小波神经网络

┊

股票预测模型，分别构建了 3 个 6 输入、1 输出的股票预测模型。输入分别为：

┊

某日上证指数的开盘指数(价)、指数(股价)最高值、指数(股价) 最低值、收盘指数

┊

(价)、交易量和交易额；输出为输入次日的收盘指数(价)。

┊

 线性回归算法，在 CTR 预估问题的发展初期，使用最多的方法就是逻辑回归(LR)，订 LR 使用了 Sigmoid 变换将函数值映射到 0~1 区间，映射后的函数值就是 CTR 的预
估值。LR 属于线性模型，容易并行化，可以轻松处理上亿条数据，但是学习能力
十分有限，需要大量的特征工程来增加模型的学习能力。但大量的特征工程耗时耗

┊

力同时并不一定会带来效果提升。因此，如何自动发现有效的特征、特征组合，弥

┊

补人工经验不足，缩短 LR 特征实验周期，是亟需解决的问题。

┊

线  深度学习算法。通过多种不同的向量表示学习方法，从不同角度抽取特征，并利用