Pytorch下基于lstm的股价预测

最新推荐文章于 2024-10-14 14:47:56 发布

余余余2020

最新推荐文章于 2024-10-14 14:47:56 发布

阅读量4.7k

点赞数 2

文章标签：深度学习神经网络 pytorch

本文链接：https://blog.csdn.net/weixin_52561314/article/details/124074257

版权

本文通过Pytorch实现了一个基于LSTM的股价预测模型，详细介绍了从数据准备到模型训练的过程。实验结果显示，LSTM在单特征预测上的效果有限，存在数据泄露问题，且幅度预测不准确。作者提出可能的改进方向，如预测涨跌或波动率。

摘要由CSDN通过智能技术生成

一、库准备

import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import numpy as np
import akshare as ak
import torch
from torch import nn

二、构造

1.把茅台2017年到今天的股价画出来

share_prices=ak.stock_zh_a_hist(symbol='600519',start_date='20170101',end_date='20220410',adjust='qfq')['收盘'].values

share_prices = share_prices.astype('float32')  # 转换数据类型: obj ->float
plt.plot(share_prices)

2.数据normalization

# 将数据集标准化到 [-1,1] 区间
scaler = MinMaxScaler(feature_range=(-1, 1))  # train data normalized
share_prices = scaler.fit_transform(share_prices.reshape(-1, 1))

3.构造一个数据切分函数

def create_dataset(data, days_for_train=5) -> (np.array, np.array):
    """
        根据给定的序列data，生成数据集。
        数据集分为输入和输出，每一个输入的长度为days_for_train，每一个输出的长度为1。
        也就是说用days_for_train天的数据，对应下一天的数据。