基于TCN时间卷积网络（含因果膨胀卷积）的多特征输入股票预测项目实战（pytorch）（六维特征）【有数据集和代码，可运行】——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时间卷积网络（TCN，Temporal Convolutional Network）来进行股票预测的项目，该网络通过堆叠因果卷积和扩张卷积，能够捕捉时间序列依赖关系和特征，可以有效地处理时间序列数据，最后进行预测。网络的输入是历史股票收盘价（单特征），输出是预测的股票收盘价。【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、TCN时间卷积网络简介

该算法于2016年由Lea等人他们在做视频动作分割的研究首先提出，CNN模型以 CNN 模型为基础，并做了如下改进：①适用序列模型：因果卷积（Causal Convolution）②记忆历史：空洞卷积/膨胀卷积（Dilated Convolution），残差模块（Residual block）。

1、因果卷积（Causal Convolution）

因果卷积是一种卷积操作，主要应用于时间序列数据或具有时序性的数据分析任务。因果卷积在卷积操作中引入了因果性，确保输出只依赖于过去的输入数据，不受未来信息的影响。（下图为因果卷积过程）

2、膨胀因果卷积（Dilated Causal Convolutions）

膨胀因果卷积（Dilated Causal Convolution）是在因果卷积的基础上引入了膨胀（Dilation）操作的一种卷积操作。它结合了因果卷积和扩张卷积（Dilated Convolution）的特性，能够增加感受野（Receptive Field）并保持因果性。（下图为膨胀因果卷积，相比于上图，以较少的计算代价实现了更大的感受野）

 3、TCN整体框架

整体的TCN模型如下图所示，较深的网络结构可能会引起梯度消失等问题，该模型利用了一种类似于ResNet中的残差块的结构，这样设计的TCN结构更加的具有泛化能力。

三、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sh300_test.csv，本人在原数据集基础上删掉某些列的数据），实验只使用了红框中的收盘价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（实验中用的是50），输入特征为6，每次滑窗的第21天（实验中是第51天）为预测的标签值。

四、实验环境

平台：Window 11；语言：python3.9；编译器：Pycharm；框架：Pytorch:1.13.1

五、实验内容及部分代码展示

1、model_TCN.py 模型构建

model_TCN.py定义了项目用到的网络TCN模型，该模型由多个组件组成，包括Crop模块、TemporalCasualLayer模块、TemporalConvolutionNetwork模块和TCN模块。Crop模块用于裁剪输入张量的时间维度，去除多余的padding部分。TemporalCasualLayer模块实现了一个膨胀卷积层，由两个膨胀卷积块组成。每个膨胀卷积块包含一个带有权重归一化的卷积层、裁剪模块、ReLU激活函数和Dropout正则化。此外，还包括一个用于快捷连接的卷积层。TemporalConvolutionNetwork模块通过堆叠多个TemporalCasualLayer组成了一个完整的TCN网络。每个TemporalCasualLayer具有不同的膨胀系数，并根据输入和输出通道的数量进行设置。TCN模块封装了TemporalConvolutionNetwork，并添加了一个线性层用于最终的预测。在前向传播中，先经过TCN网络，然后将输出的最后一个时间步传入线性层，并通过ReLU激活函数进行非线性变换。通过以上组件的组合，该TCN模型可以用于时间序列建模任务，并在最后输出预测结果。（本来网络最后一层是没有激活Relu的，后来发现效果不是很好，我在最后一层加上激活Relu后，实现预测的效果还不错）
 

import torch.nn as nn
from torch.nn.utils import weight_norm
 
#用于裁剪输入张量的时间维度，去除多余的 padding 部分。
class Crop(nn.Module):
 
    def __init__(self, crop_size):
        super(Crop, self).__init__()
        self.crop_size = crop_size
 
    def forward(self, x):
        #裁剪张量以去除额外的填充
        return x[:, :, :-self.crop_size].contiguous()
 
#实现了一个膨胀卷积层，由两个膨胀卷积块组成。每个膨胀卷积块包含一个带有权重归一化的卷积层、裁剪模块、ReLU激活函数和 Dropout 正则化。此外，还包括了一个用于快捷连接的卷积层
class TemporalCasualLayer(nn.Module):
 
    def __init__(self, n_inputs, n_outputs, kernel_size, stride, dilation, dropout=0.2):
        super(TemporalCasualLayer, self).__init__()
        padding = (kernel_size - 1) * dilation
        conv_params = {
            'kernel_size': kernel_size,
            'stride': stride,
            'padding': padding,
            'dilation': dilation
        }
 
        self.conv1 = weight_norm(nn.Conv1d(n_inputs, n_outputs, **conv_params))
        self.crop1 = Crop(padding)
        self.relu1 = nn.ReLU()
        self.dropout1 = nn.Dropout(dropout)
 
        self.conv2 = weight_norm(nn.Conv1d(n_outputs, n_outputs, **conv_params))
        self.crop2 = Crop(padding)
        self.relu2 = nn.ReLU()
        self.dropout2 = nn.Dropout(dropout)
 
        self.net = nn.Sequential(self.conv1, self.crop1, self.relu1, self.dropout1,
                                 self.conv2, self.crop2, self.relu2, self.dropout2)
        #快捷连接
        self.bias = nn.Conv1d(n_inputs, n_outputs, 1) if n_inputs != n_outputs else None
        self.relu = nn.ReLU()
 
    def forward(self, x):
        # 应用因果卷积和快捷连接
        y = self.net(x)
        b = x if self.bias is None else self.bias(x)
        return self.relu(y + b)
 
#通过堆叠多个 TemporalCasualLayer 组成了一个完整的 TCN 网络。每个 TemporalCasualLayer 具有不同的膨胀系数，并根据输入和输出通道的数量进行设置。
class TemporalConvolutionNetwork(nn.Module):
 
    def __init__(self, num_inputs, num_channels, kernel_size=2, dropout=0.2):
        super(TemporalConvolutionNetwork, self).__init__()
        layers = []
        num_levels = len(num_channels)
        tcl_param = {
            'kernel_size': kernel_size,
            'stride': 1,
            'dropout': dropout
        }
        for i in range(num_levels):
            dilation = 2 ** i
            in_ch = num_inputs if i == 0 else num_channels[i - 1]
            out_ch = num_channels[i]
            tcl_param['dilation'] = dilation
            tcl = TemporalCasualLayer(in_ch, out_ch, **tcl_param)
            # tcl = self.relu(tcl)
            layers.append(tcl)
 
        self.network = nn.Sequential(*layers)
 
    def forward(self, x):
        return self.network(x)
 
#封装了 TemporalConvolutionNetwork，并添加了一个线性层用于最终的预测。在前向传播中，先经过 TCN 网络，然后将输出的最后一个时间步传入线性层，并通过 ReLU 激活函数进行非线性变换。
class TCN(nn.Module):
 
    def __init__(self, input_size, output_size, num_channels, kernel_size, dropout):
        super(TCN, self).__init__()
        self.tcn = TemporalConvolutionNetwork(input_size, num_channels, kernel_size=kernel_size, dropout=dropout)
        self.linear = nn.Linear(num_channels[-1], output_size)
        self.relu = nn.ReLU()
 
    def forward(self, x):
        # 应用TCN和线性层，然后使用ReLU激活函数
        y = self.tcn(x)  # [N,C_out,L_out=L_in]
        return self.relu(self.linear(y[:, :, -1]))

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中定义了项目的基本参数，可以在里面修改训练参数。

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，将每个窗口大小的数据作为训练数据，将其后面一个数据作为预测结果，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_TCN_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的pth对数据进行预测，可以展示模型预测效果，前面的处理过程类似test_stock_TCN_run.py所示。

7、loss_draw.py 模型训练后的loss绘图

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

8、predict_pth.py 用某50天数据预测后1天的股票收盘价  

​用某前50天的6个股票特征数据预测后1天股票收盘价并可视化具体的数值

六、实验结果及分析

1、训练过程

这是训练过程中的可视化，会输出train_loss和test_loss

2、loss损失图

该损失是训练了100个epoch的损失图：

3、预测效果展示（预测图）

train-训练epoch=100后的风速预测效果train如下，展示前两百天的预测效果：（红色是真实的，蓝色是预测的）

test-训练epoch=100后的风速预测效果如下（使用pth参数文件进行测试预测），展示前两百天的预测效果）：红色是真实的，蓝色是预测的）

4、predict_pth.py预测效果展示（预测具体的某50天）

使用如下图所示的前50天股票特征历史数据，预测后1天的股票收盘价

七、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】gong众号，回复【TCN多特征股票预测】，即可获得。