股票预测pythonlstm_LSTM预测股票涨跌--结合技术分析视角（一）

最新推荐文章于 2024-05-16 16:32:03 发布
最新推荐文章于 2024-05-16 16:32:03 发布
阅读量2.7k 收藏 4
点赞数 1
文章标签： 股票预测pythonlstm
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/weixin_33346418/article/details/114043008
版权

LSTM处理股票数据的一般流程：

30cdc43d3475

image.png

２.在先工作的基本思路：

(1).为利用沪深300前100天的收盘价预测下一天的收盘价。从结果来看，LSTM对未来20天的预测基本上是对过去100天收盘价变化的趋势的总括，因此最终的预测结果以及回测结果都不是很理想。 之后尝试增加了features(每日Open,High,Low,Close,Amount,Volume)，效果依然不是很好。

通过对结果进行分析以及阅读研究一些研报，得到的初步结论为：一是input时间跨度太长(100天的价格走势对未来一天的价格变化影响很小)，而待预测数据时间跨度太短；二是收盘价(Close)是非平稳数据，LSTM对于非平稳数据的预测效果没有平稳数据好。

(2)LSTM对沪深300未来五日收益率预测

综合以上两点，本文所使用的输入和输出为利用过去30天的数据预测将来五天的收益。

测试对象：沪深300

数据选择和处理：

input的时间跨度为30天，每天的features为['close','open','high','low','amount','volume']共6个，因此每个input为30×6的二维向量。

output为未来5日收益future_return_5(future_return_5>0.2,取0.2;future_return_5

训练数据：沪深300 2005-01-01至20

最低0.47元/天 解锁文章
代霸天
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Tensorflow实例：利用LSTM预测股票每日最高价（二）
路一瓢的博客
02-25 7万+
根据股票历史数据中的最低价、最高价、开盘价、收盘价、交易量、交易额、跌涨幅等因素，对下一日股票最高价进行预测。实验用到的数据长这个样子： label是标签y，也就是下一日的最高价。列C——I为输入特征。 本实例用前5800个数据做训练数据。单因素输入特征及RNN、LSTM的介绍请戳上一篇 Tensorflow实例：利用LSTM预测股票每日最高价（一）导入包及声明常量import pandas a
LSTM股票预测,lstm股票预测对比实验,Python
09-10
Lstm进行时间序列预测，预测股票数据，按日的数据
LSTM原理+实战(Python)
最新发布
m0_71838992的博客
05-16 1245
LSTM（Long Short-Term Memory），作为一种特殊的循环神经网络（RNN）结构，通过引入遗忘门、输入门和输出门这三种类型的门控机制来控制信息的流动，从而有效解决了传统RNN在处理长序列时容易出现的梯度消失和梯度爆炸问题。这些门结构使得LSTM能够记住长期依赖的信息，并在自然语言处理、语音识别、机器翻译等众多领域中展现出强大的序列处理能力。
利用LSTM原理预测股市
12-05
利用深度学习的长短记忆原理（LSTM）对美国纳斯达克股市进行预测。
小波分析 + 支持向量机(SVM)预测股票涨跌幅的实现
热门推荐
小胖其实没有很胖
06-12 1万+
刚刚开始进入量化投资领域，最近在做金融数据方面的预测，用到了数据挖掘的
LSTM预测外汇涨跌平
weixin_48252774的博客
12-22 352
参考论文《Forecasting directional movement of Forex data using LSTM with technical and macroeconomic indicators》 数据样式：其中label为预测标签，根据论文中的阈值法确定 import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler import torch from torch import
6.cnn-lstm.py_lstmcnn股票_LSTM时间序列_LSTM_lstm预测_lstm-cnn_
09-29
标题中的“6.cnn-lstm.py_lstmcnn股票_LSTM时间序列_LSTM_lstm预测_lstm-cnn_”指的是一项利用深度学习技术，特别是卷积神经网络（CNN）和长短期记忆网络（LSTM），对股票市场进行时间序列预测的项目。这个项目可能...
Stock-Price-Prediction-LSTM-master 2_LSTM_LSTM股票预测_LSTM股票预测_lstm
09-30
在本文中，我们将深入探讨如何使用长短期记忆网络（LSTM）进行股票价格预测，以及在实际项目"Stock-Price-Prediction-LSTM-master 2_LSTM_LSTM股票预测_LSTM股票预测_lstm"中可能涉及的技术细节。LSTM是一种特殊类型...
LSTM程序.zip_lstm的python程序_python LSTM_python预测_时间序列_预测
09-25
LSTM（长短期记忆网络）是一种特殊的循环神经网络（RNN），特别适合处理和预测时间序列数据。在Python中，我们可以使用深度学习库Keras、TensorFlow或PyTorch来实现LSTM模型。本项目提供的“LSTM程序.zip”包含了...
hybrid-ARIMA-LSTM-model-master_LSTM_LSTM预测_arima_非线性模型_股票预测pytho
10-01
总的来说，“hybrid-ARIMA-LSTM-model-master”项目展示了如何通过结合传统的统计方法与现代深度学习技术，构建一个强大且灵活的时间序列预测模型，以适应股票市场等复杂环境的预测需求。这种混合模型方法对于那些...
基于LSTM的研报分类系统
lilong117194的博客
11-13 1599
基于东方财富宏观研究的研报分类系统 东方财富宏观研究网址：http://data.eastmoney.com/report/hgyj.html 一、该系统是由以下几步组成： （1）爬虫 （2）文本处理 （3）word2vec词向量训练 （4）Lstm模型训练 （5）基于模型的新文本预测 二、运行该系统需要安装的包 （1）爬虫中需要安装：selenium和PhantomJS，本人的安装环境是mac下...
LSTM预测股价代码
11-17
Time series forecasting using LSTM.
keras构建LSTM模型，预测带高度的经纬度位置
Muzi_Water的博客
01-14 5302
原始时间序列数据如下所示，我们将纬度、经度、高度作为输入 其轨迹经纬度如下图所示： 用keras创建一个三层的LSTM网络训练模型如下图所示： import numpy as np from keras.layers.core import Dense, Activation, Dropout from keras.layers import LSTM from keras.m...
用lstm模型做预测_使用深度神经网络LSTM做股票指数及趋势预测
weixin_35823048的博客
01-12 4773
当乌云密布，彩虹会为你铺就一条道路。 When all the clouds darken up the skyway, there's a rainbow highway to the found.甘南花湖背景机器学习用于量化分析，是目前量化研究的主流方向之一。近几年兴起的人工智能算法在诸多领域已经取得了成功，比如，在进...
时间序列分析系列（1）LSTM对股价进行预测
KNN算法
09-16 4874
时间序列原理   生活中，有一类数据有明显的先后顺序，比较常见的就是今天的主题：时间序列。所谓时间序列，讲的是，如果从时间的角度进行观察一组数据，它们是按照时间的流逝依次发生的，即数据的位置不能颠倒，其中股票数据就是最常见的时间序列。   时间序列在生活中如此常见，以至于我们产生了些幻想。   我们能否基于已经观察到的历史数据去预测未来还没有发生的情况呢？那画面岂不很美?如果要能对未来进行预测，那么需要满足一个前提假设：历史数据包含了未来数据的信息，即未来数据和历史数据存在一定的相关性。举个栗子，例如上个月
独家 | 利用LSTM实现股价预测
数据派THU
12-23 3441
作者：Siddharth M翻译：王可汗校对：欧阳锦 本文约1300字，建议阅读6分钟 本文教你如何利用LSTM网络预测股价走势，并对开盘和收盘价进行可视化。一、介绍长短时记忆(LSTM...
lstm需要优化的参数_1-基于LSTM-GA 的股票价格涨跌预测模型
weixin_40001025的博客
11-13 1739
摘要如何准确地进行股票预测一直是量化金融领域的重要问题。长短期记忆细胞神经网络（ＬＳＴＭ）的出现较好地解决了股票预测这类的复杂序列化数据学习的问题。然而前期研究结果表明单一使用该方法仍存在预测不平衡、陷入局部极值导致能力不佳的问题。基于上述问题，文中利用将遗传算法（ＧＡ）解决调参问题来保证模型预测的平衡性，由此构建了新型股票预测模型。该模型分为三部分，首先利用 ＬＳＴＭ 网络进行收盘价的预测，再利...
使用LSTM预测股票
weixin_44870245的博客
02-17 1151
利用LSTM工具的神经网络算法预测未来一天的股票涨跌。最终测试得分，加大数据量可以提高结果精确度，
LSTM 无法预测股票价格
weixin_58667547的博客
10-05 1459
因此，在学习音频、语言，当然还有时间序列数据——任何具有时间维度的东西时，它们通常是一个非常可靠的选择。随机游走理论表明，股票走的是一条随机且不可预测的路径，这使得所有一致预测股票价格的方法都徒劳无功。请记住，这些示例完全是我们虚构的股票的虚构代与我们的虚构参数，当然都是基于随机游走理论。随机游走理论绝对有强有力的证据，其中过去的价格和趋势与未来的价格无关，因为它们都是完全随机的。Malkiel 将被证明是正确的，因为存在许多对这种情况的模拟——针对专业策划的投资组合的随机选择——确立了他的说法。
写一个 PCA-LSTM 股票预测的python 代码
05-13
这里是一个简单的PCA-LSTM股票预测的Python代码，使用了Python的Scikit-learn和Keras库： ```python import numpy as np import pandas as pd from sklearn.decomposition import PCA from sklearn.preprocessing import MinMaxScaler from keras.models import Sequential from keras.layers import Dense, LSTM # 读取数据 df = pd.read_csv('stock_data.csv') # 数据预处理 scaler = MinMaxScaler() scaled_data = scaler.fit_transform(df.iloc[:, 1:].values) # PCA降维 pca = PCA(n_components=1) reduced_data = pca.fit_transform(scaled_data) # 构建训练集和测试集 train_size = int(len(reduced_data) * 0.8) train_data = reduced_data[:train_size] test_data = reduced_data[train_size:] # 构建LSTM模型 def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 0]) return np.array(dataX), np.array(dataY) look_back = 30 trainX, trainY = create_dataset(train_data, look_back=look_back) testX, testY = create_dataset(test_data, look_back=look_back) trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1)) testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1)) model = Sequential() model.add(LSTM(50, input_shape=(look_back, 1))) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) # 预测 trainPredict = model.predict(trainX) testPredict = model.predict(testX) trainPredict = scaler.inverse_transform(trainPredict) testPredict = scaler.inverse_transform(testPredict) # 可视化结果 import matplotlib.pyplot as plt trainPredictPlot = np.empty_like(scaled_data) trainPredictPlot[:, :] = np.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict testPredictPlot = np.empty_like(scaled_data) testPredictPlot[:, :] = np.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(scaled_data)-1, :] = testPredict plt.plot(scaler.inverse_transform(scaled_data)) plt.plot(trainPredictPlot) plt.plot(testPredictPlot) plt.show() ``` 需要注意的一些事项： - `stock_data.csv`是包含历史股票价格数据的csv文件。 - 该代码仅用于参考和学习目的，不应该用于实际投资决策。 - 真实的股票价格数据是非常复杂和不确定的，因此预测结果可能不够准确和可靠。

“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
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