【小白也可做】基于2DCNN的多特征输入的股票预测项目实战（pytorch）（多特征）——仅用于课程和编程学习，不作为任何金融推荐！！！！

一、项目简介

股票预测是金融领域中的重要问题，通过对历史股票数据的分析和建模，我们可以尝试预测未来股票的价格趋势，为投资决策提供参考。本项目是基于PyTorch深度学习框架实现一个使用2D卷积神经网络（2DCNN）来进行股票预测的项目，该网络可以有效地处理时间序列数据，通过卷积层和提取输入序列中的特征，并通过全连接层进行预测。网络的输入是历史股票开盘价、收盘价、最高价、最低价、成交量指标、百分比变化量（多特征），输出是预测下一天的股票收盘价。【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】

二、实验数据集

实验采用的是深沪300数据集sh300.csv（后文有源码和数据集获取方式），这是公开的数据集，百度一下应该也可以找得到，数据集展示如下（所展示的数据是本人删掉某些列的数据，即sh300_test.csv），实验只使用了红框中的数据特征作为输入特征进行预测。

数据划分：以滑窗的方式进行数据划分，滑窗大小为20，输入特征为6，每次滑窗的第21天的收盘价为预测的标签值。
 

 三、实验环境

平台：Window 11

语言：python3.9

编译器：Pycharm

框架：Pytorch:1.13.1

四、实验内容及部分代码展示

1、model_2DCNN.py 模型构建

model_2DCNN.py定义了项目用到的网络模型，本项目用到的模型是三层的二维卷积网络，使用relu激活，最后使用两层全连接层输出预测结果。

 每层网络的输出结果为：

2、train.py 训练通用模板

训练过程集成到fit函数里面，包含测试集训练过程和验证集计算过程，是项目训练过程的通用代码，其他项目也可以在它的基础上修改后使用。

3、Config.py 参数定义

config中定义了项目所有需要的参数，可以在里面修改训练参数。其中可以看到三个卷积层的输出通道为[16，32，64]。根据实现效果调试[16，32，64]的训练效果比[32，64，128]要好很多，原因可能是数据集比较简单，通道数设置少一些就可以提取出不错的特征。

 4、DataSplit.py 数据划分

 DataSplit.py 是实现数据划分的函数，通过滑动窗口，将每个窗口大小的六个特征数据作为训练数据，将滑窗后面一个收盘价的数据作为预测结果并制作成标签，最后再进行划分训练数据和标签，最后分成训练集和验证集。

5、test_stock_2DCNN_run.py 训练文件

该py文件实现整体训练流程并做绘图操作。依次实现加载数据、数据标准化、取出WIND数据、划分训练集测试集、数据转化为Tensor、形成数据更迭器、载入模型、定义损失、定义优化器、开始训练、损失可视化、显示预测结果。

 6、test_pth.py 模型训练后的测试文件

采用模型训练完成后产生的的pth参数文件对测试数据进行预测，可以展示模型预测效果，前面的处理过程类似test_stock_2DCNN_run.py所示。

 7、loss_draw.py 模型训练后的测试文件

将训练产生并收集的loss.csv展示出来，也就是损失图，红框处可调展示范围。 

 五、实验结果及分析

 1、loss损失图

训练了200个epoch的损失图：

 纵坐标局部范围展示（0-0.0002）：左图是上一篇文章写的1DCNN单特征实现的股票预测，右图是上述loss图的y轴局部放大展示，明显本篇模型的loss值比上一篇文章的低，也就是说多特征2DCNN的预测效果比单特征1DCNN的效果要好。

 2、预测效果展示

训练epoch=200后的股票收盘价预测效果如下（使用pth文件进行预测）：其中，蓝色为预测曲线，红色为真实曲线，显然，预测基本相近，该模型对股价预测的效果不错，可以翻到上一篇的文章看一下单特征1DCNN的效果，明显要比这个差很多。

 局部展示（展示前两百天的预测效果）：局部展示的效果也算是不错的

六、总结及资源

若有朋友需要可运行的源码和数据集，可以guan注【科研小条】公众号，回复【股票预测2dcnn】，即可获得。