根据tushare官网资料(http://tushare.org/)目前仅支持下面A股指数查询。
指数名称 TS指数代码
上证指数 sh
深圳成指 sz
沪深300指数 hs300
上证50 sz50
中小板 zxb
创业板 cyb
get_zs.py
# coding: utf-8
import pandas as pd
import tushare as ts
dh = ts.get_hist_data('sh', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('shzs.csv')
dh = ts.get_hist_data('sz', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('szzs.csv')
dh= ts.get_hist_data('hs300', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('hs300.csv')
dh = ts.get_hist_data('sz50', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('sz50.csv')
dh = ts.get_hist_data('zxb', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('zxb.csv')
dh = ts.get_hist_data('cyb', start='2018-01-01')
df = dh.sort_values(by='date')
df.to_csv('cyb.csv')
运行 python get_zs.py
https://www.lfd.uci.edu/~gohlke/pythonlibs/
在该网址下找到 tensorflow‑1.9.0‑cp37‑cp37m‑win_amd64.whl
pip install tensorflow-1.9.0-cp37-cp37m-win_amd64.whl
python 3.7 只能用 tf 1.9 也就是说: py 3.7+ tf 1.9 + keras 2.2.0
pip install keras==2.2.0
keras_lstm_1.py
# encoding=utf-8
#数据预处理以及绘制图形需要的模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#构建长短时神经网络需要的方法
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, BatchNormalization
#需要之前60次的数据来预测下一次的数据
need_num = 60
#训练数据的大小
training_num = 500
#迭代10次
epoch = 10
batch_size = 32
#训练数据的处理,我们选取整个数据集的前500个数据作为训练数据,后面的数据为测试数据
#从csv读取指数 数据
zs = 'hs300'
dataset = pd.read_csv(zs+'.csv')
#我们需要预测收盘价
data = dataset.iloc[:, 3:4].values
print(zs,':',data.shape)
#训练数据就是上面已经读取数据的前500行
training_data = data[:training_num]
#因为数据跨度几年,随着时间增长,数字也随之增长,因此需要对数据进行归一化处理
#将所有数据归一化为0-1的范围
sc = MinMaxScaler(feature_range=(0, 1))
'''
fit_transform()对部分数据先拟合fit,
找到该part的整体指标,如均值、方差、最大值最小值等等(根据具体转换的目的),
然后对该trainData进行转换transform,从而实现数据的标准化、归一化等等。
'''
training_data_scaled = sc.fit_transform(X=training_data)
x_train = []
y_train = []
#每60个数据为一组,作为测试数据,下一个数据为标签
for i in range(need_num, training_data_scaled.shape[0]):
x_train.append(training_data_scaled[i-need_num: i])
y_train.append(training_data_scaled[i, 0])
#将数据转化为数组
x_train, y_train = np.array(x_train), np.array(y_train)
#因为LSTM要求输入的数据格式为三维的,[training_number, time_steps, 1],因此对数据进行相应转化
x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
#构建网络,使用的是序贯模型
model = Sequential()
#return_sequences=True返回的是全部输出,LSTM做第一层时,需要指定输入shape
model.add(LSTM(units=128, return_sequences=True, input_shape=[x_train.shape[1], 1]))
model.add(BatchNormalization())
model.add(LSTM(units=128))
model.add(BatchNormalization())
model.add(Dense(units=1))
#进行配置
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(x=x_train, y=y_train, epochs=epoch, batch_size=batch_size)
#进行测试数据的处理
#前500个为测试数据,但是将500-60个数据作为输入数据,因为这样可以获取
#测试数据的潜在规律
inputs = data[training_num - need_num:]
inputs = inputs.reshape(-1, 1)
#这里使用的是transform而不是fit_transform,因为我们已经在训练数据找到了
#数据的内在规律,因此,仅使用transform来进行转化即可
inputs = sc.transform(X=inputs)
x_validation = []
for i in range(need_num, inputs.shape[0]):
x_validation.append(inputs[i - need_num:i, 0])
x_validation = np.array(x_validation)
x_validation = np.reshape(x_validation, (x_validation.shape[0], x_validation.shape[1], 1))
#这是真实的股票价格,是源数据的[500:]即剩下的数据的价格
real_stock_price = data[training_num:]
#进行预测
predictes_stock_price = model.predict(x=x_validation)
#使用 sc.inverse_transform()将归一化的数据转换回原始的数据,以便我们在图上进行查看
predictes_stock_price = sc.inverse_transform(X=predictes_stock_price)
#绘制数据图表,红色是真实数据,蓝色是预测数据
plt.plot(real_stock_price, color='red', label=zs+' Stock Price')
plt.plot(predictes_stock_price, color='blue', label='Predicted Stock Price')
plt.title(zs+' Stock Price Prediction')
plt.xlabel('date')
plt.ylabel('Stock Price')
plt.legend()
plt.grid()
plt.show()