基于2DCNN的多特征输入股票涨跌的二分类预测项目实战（pytorch）（多特征）【小白可做，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，可以为投资决策提供参考，本项目是基于PyTorch深度学习框架使用一个两层的一维卷积神经网络，实现股票未来一天涨跌的二分类任务。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），输出是下一天是否涨跌（输出1为涨，0为跌）。【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】【本项目的代码文件分模块整理，包含模型构建、训练过程、绘图等模块都清晰分明】

二、实验数据集及实验说明

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）。

数据划分：以滑窗的方式进行数据划分，如红框所示，假设滑窗大小为20，步长为1，输入特征为6，若第21天的收盘价大于第20天的收盘价，则标签设置为1，反之设置为0，将样本设置为二分类任务。（本项目在实验中使用的是滑窗为100，即用前100天的数据来预测第101天的股票是涨是跌。根据实验，滑窗越大准确率越高。）
 

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、2DCNN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两层的二维卷积网络、relu激活函数、两层全连接层进行输出二分类的预测结果。

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。（本项目在实验中使用的是滑窗为100，即用前100天的数据来预测第101天的股票是涨是跌。根据实验，滑窗越大准确率越高。）

4、train_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、样本和标签制作、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。

5、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，本项目还是用训练的数据作为该文件的测试数据，前面的处理过程类似train_2DCNN_run.py所示。

6、plot_loss_acc.py 准确率和损失的绘画

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

7、tsne_plot.py 模型训练后用于绘制t-SNE聚类图

绘制了训练前和训练后样本的t-SNE聚类图

五、实验结果及分析

0、训练过程中

1、loss损失图

该损失是训练了200个epoch的损失图

2、acc准确率图

3、test_pth.py的预测效果展示 

所示案例预测准确

4、tsne_plot.py的聚类效果展示 

第一个是未训练时的样本聚类图，第二个是训练后的样本聚类图，模型训练后，样本的分布明显分隔开了，说明模型对股票涨跌的二分类有效果。

六、其他提示

数据在没有做标准化的时候进行训练，效果很差，准确率基本上是0.5左右，进行标准化之后进行训练，效果达到了90%以上。

七、资源与总结

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【股票涨跌分类2DCNN】，即可获得。