深度学习实战06-循环神经网络（RNN）实现股票预测

最新推荐文章于 2024-05-27 17:11:45 发布
最新推荐文章于 2024-05-27 17:11:45 发布
阅读量4.9k 收藏 112
点赞数 9
分类专栏： 深度学习/机器学习（Python） 文章标签： 深度学习 rnn 神经网络
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/ungoing/article/details/126314093
版权

​
​

活动地址：CSDN21天学习挑战赛

参考文章：https://mtyjkh.blog.csdn.net/article/details/117752046

一、RNN（循环神经网络）介绍

传统的神经网络的结构比较简单：输入层——隐藏层——输出层

RNN跟传统神经网络最大的区别在于，每次都会将前一次的输出结果带到下一次的隐藏层中，一起训练。如下图所示：
在这里插入图片描述

这里用一个具体的案例来看看RNN是如何工作的：
用户说了一句“what time is it？”，我们的神经网络会将这句话分成五个基本单元（十个单词+一个问号）
在这里插入图片描述

然后，按照顺序将五个基本单元输入RNN网络，先将“what”作为RNN的输入，得到01
在这里插入图片描述

随后，按照顺序将“time”输入到RNN网络，得到02。

这个过程我们可以看到，输入“time”的时候，前面“what”的输出也会对02的输出产生了影响（隐藏层中有一半是黑色的）。
在这里插入图片描述

以此类推，我们可以看到，前面所有的输入产生的结果都对后续的输出产生了影响（可以看到圆形中包含了前面所有的颜色）
在这里插入图片描述

当神经网络判断亿图的时候，只需要最后一层的输出05即可，如下图所示：
在这里插入图片描述

二、准备工作

1. 设置GPU

如果使用的是CPU，可以不设置此部分。

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)   # 设置GPU显存按需使用
    tf.config.set_visible_devices([gpus[0]], "GPU")

2. 加载数据

import os, math
from tensorflow.keras.layers import Dropout, Dense, SimpleRNN
from sklearn.preprocessing import MinMaxScaler
from sklearn import metrics
import numpy as np
import pandas as pd
import tensorflow as tf
import matplotlib.pyplot as plt

# 设置图表的显示支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']   # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False    # 用来正常显示负号

data = pd.read_csv('./datasets/SH600519.csv')   # 读取股票文件

data

在这里插入图片描述

# 前（2426-300=2126）天的开盘价作为训练集，表格从0开始计数
# 2:3是提取[2:3)列，左闭右开
# 最后300天的开盘价作为测试集
training_set =data.iloc[0: 2426 - 300, 2: 3].values
test_set = data.iloc[2426-300: , 2: 3].values

三、数据预处理

1. 归一化

sc = MinMaxScaler(feature_range=(0, 1))
training_set = sc.fit_transform(training_set)
test_set = sc.transform(test_set)

2. 设置测试集和训练集

x_train = []
y_train = []

x_test = []
y_test = []

# 使用前60天的开盘价作为输入特征x_train
# 第61天的开盘价作为输入标签y_train
# for循环共构建2426-300-60=2066组训练数据
# 共构建300-60=260组测试数据

for i in range(60, len(training_set)):
    x_train.append(training_set[i - 60 : i, 0])
    y_train.append(training_set[i, 0])
    
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60 : i, 0])
    y_test.append(test_set[i, 0])
    

# 对训练集进行打乱
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)

# 将训练数据调整为数组
# 调整后的形状：
# x_train:(2066, 60, 1)
# y_train:(2066, )
# x_test:(240, 60, 1)
# y_test:(240, )

x_train, y_train = np.array(x_train), np.array(y_train)   
x_test, y_test = np.array(x_test), np.array(y_test)

# 输入要求：[送入样本数，循环核时间展开步数，每个时间步输入特征个数]
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

五、构建模型

model = tf.keras.Sequential([
    SimpleRNN(100, return_sequences=True),   # 布尔值。判断是返回输出序列中的最后一个输出，还是全部序列
    Dropout(0.1),   # 防止过拟合
    SimpleRNN(100),
    Dense(1)
])

六、激活模型

# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，后面在每个epoch迭代显示时只显示loss值
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
             loss='mean_squared_error')   # 损失函数用均方误差

七、训练模型

history = model.fit(x_train, y_train,
                   batch_size=64,
                   epochs=35,
                   validation_data=(x_test, y_test),
                   validation_freq=1)    # 测试的epoch间隔数
model.summary()   

Epoch 1/35
33/33 [==============================] - 1s 21ms/step - loss: 2.1443e-04 - val_loss: 0.0191
Epoch 2/35
33/33 [==============================] - 1s 20ms/step - loss: 1.7079e-04 - val_loss: 0.0180
Epoch 3/35
33/33 [==============================] - 1s 20ms/step - loss: 1.8806e-04 - val_loss: 0.0270
Epoch 4/35
33/33 [==============================] - 1s 21ms/step - loss: 1.8641e-04 - val_loss: 0.0212
Epoch 5/35
33/33 [==============================] - 1s 20ms/step - loss: 1.7237e-04 - val_loss: 0.0220
Epoch 6/35
33/33 [==============================] - 1s 20ms/step - loss: 1.9482e-04 - val_loss: 0.0214
Epoch 7/35
33/33 [==============================] - 1s 21ms/step - loss: 2.2625e-04 - val_loss: 0.0269
Epoch 8/35
33/33 [==============================] - 1s 21ms/step - loss: 1.8843e-04 - val_loss: 0.0318
Epoch 9/35
33/33 [==============================] - 1s 21ms/step - loss: 2.9509e-04 - val_loss: 0.0231
Epoch 10/35
33/33 [==============================] - 1s 21ms/step - loss: 2.5584e-04 - val_loss: 0.0126
Epoch 11/35
33/33 [==============================] - 1s 21ms/step - loss: 1.6293e-04 - val_loss: 0.0141
Epoch 12/35
33/33 [==============================] - 1s 21ms/step - loss: 1.8390e-04 - val_loss: 0.0147
Epoch 13/35
33/33 [==============================] - 1s 21ms/step - loss: 1.7752e-04 - val_loss: 0.0186
Epoch 14/35
33/33 [==============================] - 1s 21ms/step - loss: 2.1432e-04 - val_loss: 0.0205
Epoch 15/35
33/33 [==============================] - 1s 21ms/step - loss: 2.1611e-04 - val_loss: 0.0093
Epoch 16/35
33/33 [==============================] - 1s 20ms/step - loss: 2.0771e-04 - val_loss: 0.0245
Epoch 17/35
33/33 [==============================] - 1s 21ms/step - loss: 2.5106e-04 - val_loss: 0.0106
Epoch 18/35
33/33 [==============================] - 1s 21ms/step - loss: 1.9776e-04 - val_loss: 0.0173
Epoch 19/35
33/33 [==============================] - 1s 21ms/step - loss: 1.7719e-04 - val_loss: 0.0247
Epoch 20/35
33/33 [==============================] - 1s 21ms/step - loss: 2.1179e-04 - val_loss: 0.0298
Epoch 21/35
33/33 [==============================] - 1s 21ms/step - loss: 1.9824e-04 - val_loss: 0.0147
Epoch 22/35
33/33 [==============================] - 1s 21ms/step - loss: 2.0879e-04 - val_loss: 0.0260
Epoch 23/35
33/33 [==============================] - 1s 21ms/step - loss: 1.7415e-04 - val_loss: 0.0176
Epoch 24/35
33/33 [==============================] - 1s 21ms/step - loss: 1.6353e-04 - val_loss: 0.0090
Epoch 25/35
33/33 [==============================] - 1s 21ms/step - loss: 2.1351e-04 - val_loss: 0.0076
Epoch 26/35
33/33 [==============================] - 1s 21ms/step - loss: 1.7860e-04 - val_loss: 0.0170
Epoch 27/35
33/33 [==============================] - 1s 21ms/step - loss: 1.6161e-04 - val_loss: 0.0175
Epoch 28/35
33/33 [==============================] - 1s 21ms/step - loss: 1.5730e-04 - val_loss: 0.0108
Epoch 29/35
33/33 [==============================] - 1s 22ms/step - loss: 1.5606e-04 - val_loss: 0.0141
Epoch 30/35
33/33 [==============================] - 1s 22ms/step - loss: 1.7033e-04 - val_loss: 0.0119
Epoch 31/35
33/33 [==============================] - 1s 22ms/step - loss: 1.7409e-04 - val_loss: 0.0164
Epoch 32/35
33/33 [==============================] - 1s 21ms/step - loss: 1.6120e-04 - val_loss: 0.0168
Epoch 33/35
33/33 [==============================] - 1s 21ms/step - loss: 1.6100e-04 - val_loss: 0.0238
Epoch 34/35
33/33 [==============================] - 1s 21ms/step - loss: 1.5991e-04 - val_loss: 0.0299
Epoch 35/35
33/33 [==============================] - 1s 21ms/step - loss: 1.8989e-04 - val_loss: 0.0176
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn (SimpleRNN)       (None, 60, 100)           10200     
_________________________________________________________________
dropout (Dropout)            (None, 60, 100)           0         
_________________________________________________________________
simple_rnn_1 (SimpleRNN)     (None, 100)               20100     
_________________________________________________________________
dense (Dense)                (None, 1)                 101       
=================================================================
Total params: 30,401
Trainable params: 30,401
Non-trainable params: 0

八、结果可视化

1. 绘制loss图

plt.plot(history.history['loss'], label="Training Loss")
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title("Training and Validation Loss")
plt.legend()
plt.show()

在这里插入图片描述

2. 预测

predicted_stock_price = model.predict(x_test)    # 测试集输入模型进行预测
predicted_stock_price = sc.inverse_transform(predicted_stock_price)   # 对预测数据还原——从（0,1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:  ])   # 对真实数据还原——从（0,1）反归一化到原始范围

# 画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color='red', label='Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted Stock Price')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Stock Price')
plt.legend()
plt.show()

在这里插入图片描述

3. 评估

# MSE：均方误差——预测值减真实值求平方后求均值
# RMSE：均方根误差——对均方误差开方
# MAE：平均绝对误差——预测值减真实值求绝对值后求均值
# R2：决定系数——可简单理解为反映模型拟合优度的重要的统计量

# 参考文章：https://blog.csdn.net/qq_38251616/article/details/107997435

MSE = metrics.mean_squared_error(predicted_stock_price, real_stock_price)
RMSE = metrics.mean_squared_error(predicted_stock_price, real_stock_price) ** 0.5
MAE = metrics.mean_absolute_error(predicted_stock_price, real_stock_price)
R2 = metrics.r2_score(predicted_stock_price, real_stock_price)

print("均方误差：%.5f" % MSE)
print("均方根误差：%.5f" % RMSE)
print("平均绝对误差：%.5f" % MAE)
print("R2：%.5f" % R2)

在这里插入图片描述

LovelessLord
关注
  • 9
    点赞
  • 踩
  • 112
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
rnn_multistep_ahead_forecasting:我的博客文章的Python代码，有关在TensorFlow中使用递归神经网络实现时间序列多步提前预测
05-11
介绍 此回购包含Python 3的初步代码，这是我的。 您也可以在下面找到此博客的版本，尤其是。 内容 “ rnnmultistepahead.py”：包含模型函数，估计量，训练，展开和绘图，用于“递归”和“联合”方法进行多步提前时间序列预测的简单的初步示例。 您应该能够像这样运行它。 “ daywise_max_planck_cafeteria_data.csv”：在“ rnnmultistepahead.py”中用作示例的数据。 每行包含36个队列长度测量值，对应于在德国Max Planck Tuebingen校园自助餐厅中的一天，每5分钟在11:30和14:30之间进行测量。 博客：在TensorFlow中使用递归神经网络实现时间序列多步提前预测 最近，我开始在TensorFlow（TF）中使用递归神经网络（RNN）进行时间序列预测。 具体来说，我想执行多步超前预测，但我想知道如何
一文详解RNN及股票预测实战(Python)
算法进阶
12-01 2602
循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。 一、 RNN 网络类型 RNN以输入数m对应输出数n的不同，可以划分为5种基础结构类型： （1）one to one：其实和全连接神经网络并没有什么区别，这一类别算不上 RNN。 （2）one to many：输入不是序列，输出是序列。可用于按主题生成文章或音乐等。 （3）many
RNN实现货物量预测，股票预测、LSTM实现文本序列预测（原理+完整代码）
m0_63669388的博客
05-28 2365
本文用于自学nlp过程的记录，重点在知识总结归纳，讲解了RNN和LSTM的原理，并且解释了RNN参数的运算方法，最后对于货物预测和文本序列预测分别用RNN和LSTM做了一个预测，文末有全部的代码和参考资料。
用循环神经网络预测股价
最新发布
weixin_42255757的博客
05-27 481
用循环神经网络对股价序列进行预测
Python之神经网络预测股票
weixin_38428439的博客
02-03 3147
神经网络预测股票
python量化交易第四章
weixin_43853077的博客
02-07 1733
一.数据准备：本地化股票数据 1.1为什么要创建股票数据库 数据费用->按数据量收费，每日更新增量数据 获取速度->本地直接获取>远程访问服务器 1.2如何创建，更新股票数据库 存储方式->股票代码.csv，MySql，MangoDB等数据库 实现思路： 1.获取股票列表 2.依次存储股票数据 3.每天以增量形式更新数据 每天以增量形式更新数据 -> 如何追加数据：df.to_csv(mode=‘a’) 重复获取了怎么办：df.drop_duplicat
RNN学习-序列模型预测实战
q7672345的博客
12-28 830
学习打卡：序列模型构建实战
Python --相似K线匹配--实现股票走势预测 Tushare
weixin_39569364的博客
04-19 8148
Python --相似K线匹配–实现股票走势预测 Tushare 前言 同花顺和东方财富都提供了一个免费的功能可以查找相似走势的K线，提供参考。差不多，东方财富可以选择分析的周期，同花顺是固定120日的分析周期。我们可以通过tushare的数据源获取历史交易数据自己实现一个类似功能。 一、获取历史交易数据 1.引入库，读取历史交易数据 Tushare是一个免费、开源的python财经数据接口包。注册用户后到个人中心改一下名字获取积分，基本的功能都可以用了。大家可以用我的邀请码注册 ①首先要安装tus
深度学习与PyTorch入门实战教程-循环神经网络RNN&LSTM.rar
04-07
循环神经网络RNN&LSTM部分，可能详细讲解了如何设置和训练RNN和LSTM模型，包括数据预处理、模型构建、训练过程和结果评估。通过实例代码，初学者将能够理解如何在PyTorch中实现这些网络，并应用到实际项目中。 学习...
【项目实战】Python实现深度神经网络RNN-LSTM分类模型(医学疾病诊断).zip
08-17
【项目实战】Python实现深度神经网络RNN-LSTM分类模型(医学疾病诊断) 资料说明：包括数据集+源代码+Word文档说明。 资料内容包括： 1)项目背景； 2)收集数据； 3)数据预处理； 4)探索数据分析； 5)特征工程； 6...
RNN唐诗写作+深度学习实战+TensorFlow2.0
06-19
1. 目标是通过使用深度学习架构tensorflow构建循环神经网络RNN模型生成唐诗 2. 其中要求生成诗歌开头词汇是“日、红、山、夜、湖、海、月”等词汇作为begin word 使用建议： 1. 环境搭建很重要 2. 要有自己的理解，...
11.循环神经网络RNN&LSTM(深度学习与PyTorch入门实战教程)
03-01
(深度学习与PyTorch入门实战教程)(深度学习与PyTorch入门实战教程)(深度学习与PyTorch入门实战教程)(深度学习与PyTorch入门实战教程)(深度学习与PyTorch入门实战教程)(深度学习与PyTorch入门实战教程)(深度学习与...
深度学习与PyTorch入门实战教程-卷积神经网络CNN.rar
04-07
卷积神经网络（Convolutional Neural Networks，简称CNN）是深度学习领域中至关重要的一部分，尤其在图像识别、图像分类、物体检测等计算机视觉任务中表现出色。PyTorch，一个由Facebook开发的开源机器学习库，以其...
python波峰波谷算法_利用“偏度系数”进行“低买高卖”择时（附Python代码）
weixin_39897449的博客
12-07 2241
点及财经，股票期货专业投机者。前言“低买高卖”，是每一位交易者内心一直所追寻的。有的人认为，“抄底摸顶”是完全不可能的事情，因为如果每个人都去“低买高卖”，那价格走势应该是一种什么状态？无法想象！这样的思想也不无道理，只是忽略了一些东西。虽然，策略做不到每笔都能够“抄底摸顶”成功，但是，只要“概率”上能站在我们这边，就可以尽可能“接近”这一目标。因为，交易最终的目的是赚钱，过程真的不重要！“抄底摸...
python计算股票波动率_构建防御性票组合----利用波动率选股
weixin_39902472的博客
12-06 650
深度学习之循环神经网络（RNN）实现股票预测
qq_62904883的博客
02-10 4521
简单看了一下如何使用RNN进行股票预测
【深度学习实验】循环神经网络（二）：使用循环神经网络（RNN）模型进行序列数据的预测
天地玄黄 魑魅魍魉 风花雪月 商角徵羽 暂时停更 十月重见
10-11 3113
本实验实现了一个简单的循环神经网络（RNN）模型，并使用该模型进行序列数据的预测。
第九章（1）：循环神经网络与pytorch示例（RNN实现股价预测）
安静到无声
07-13 2556
循环神经网络（Recurrent Neural Network，RNN）是一种基于神经网络的机器学习模型，主要用于处理序列数据。与传统的前馈神经网络不同，RNN引入了循环连接，使得模型能够捕捉到输入序列中的上下文信息和时间依赖关系。假设给定一个序列，x1Tx1x2xtxTx1T​x1​x2​xt​xT​,RNN神经网络通过下面公式更新带反馈边的隐藏层的活性值hth_tht​。
人工智能神经网络概念股,神经网络芯片概念股
aifamao6的博客
09-18 7976
由一支自动控制、结构工程等领域归国博士领衔的研发团队负责，该系统对通信塔的关键节点，通过传感器监控，保障通信塔安全6、海康威视（002415）：安防产业龙头，控股股东为杭州计算机外部设备研究所，52所重点发展数字音视频、数字存储记录、外设加固、税务电子化、智能监控等技术及各类电子产品、节能照明产品等，其中数字音视频技术目前处于全球领先水平，其板卡和设备产品的市场占有率均高居国内第一，数字存储记录技术和外设加固技术处于国内领先水平。具体费用请咨询您的证券公司，我行不承担产品的投资、兑付和风险管理等责任；
深度学习实战项目-利用rnn与lstm网络原理进行唐诗生成视频课程
10-21
深度学习是一种机器学习的方法论，通过构建多层神经网络，可以从大量数据中学习并理解复杂的模式和关系。RNN（循环神经网络）和LSTM（长短期记忆网络）是深度学习中常用的一类神经网络结构，特别适用于处理序列数据。 唐诗是中国文学的瑰宝，具有深厚的文化底蕴和艺术价值。利用深度学习中的RNN和LSTM网络原理，我们可以构建一个模型，通过学习唐诗的序列数据，实现自动生成新的唐诗。 首先，我们需要收集大量的唐诗作品作为训练数据。这些数据将被用作模型的输入，通过多层的RNN和LSTM网络逐字逐词地学习唐诗的结构和语法规律。神经网络将学习到不同的词汇和诗句的概率分布，并根据概率分布生成新的唐诗。 在训练过程中，我们可以使用反向传播算法来调整神经网络的参数，以最大限度地提高生成唐诗的质量。可以通过设置合适的超参数，例如学习率和迭代次数，来优化模型的性能。 通过进一步优化模型，我们可以使生成的唐诗更具有创新性和独特性。例如，可以引入一些文学规则和约束，以保证生成的唐诗符合一定的文学规范。此外，还可以加入一些外部的条件信息，如主题或情感，来指导生成唐诗的内容。 将这一深度学习实战项目制作成视频课程，有助于学习者理解和掌握深度学习中的RNN和LSTM网络原理。通过实际的代码演示和案例讲解，学习者可以亲自动手实践，培养实战能力。同时，视频课程还可以提供一些调优技巧和经验分享，帮助学习者在实际应用中取得良好的效果。 这个项目不仅有助于学习者的技术提升，也为文学创作提供了一种新的方式。通过深度学习生成的唐诗可以为文学创作者提供灵感和思路，也可以作为艺术创作的一种实验。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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
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