Python+SimpleRNN實現(xiàn)股票預(yù)測詳解
原理請查看前面幾篇文章。
1、數(shù)據(jù)源
SH600519.csv 是用 tushare 模塊下載的 SH600519 貴州茅臺的日 k 線數(shù)據(jù)，本次例子中只用它的 C 列數(shù)據(jù)(如圖 所示)：
用連續(xù) 60 天的開盤價，預(yù)測第 61 天的開盤價。
2、代碼實現(xiàn)
按照六步法： import 相關(guān)模塊->讀取貴州茅臺日 k 線數(shù)據(jù)到變量 maotai，把變量 maotai 中前 2126 天數(shù)據(jù)中的開盤價作為訓練數(shù)據(jù)，把變量 maotai 中后 300 天數(shù)據(jù)中的開盤價作為測試數(shù)據(jù)；然后對開盤價進行歸一化，使送入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分布在 0 到 1 之間；
接下來建立空列表分別用于接收訓練集輸入特征、訓練集標簽、測試集輸入特征、測試集標簽；
繼續(xù)構(gòu)造數(shù)據(jù)。用 for 循環(huán)遍歷整個訓練數(shù)據(jù)，每連續(xù)60 天數(shù)據(jù)作為輸入特征 x_train，第 61 天數(shù)據(jù)作為對應(yīng)的標簽 y_train ，一共生成 2066 組訓練數(shù)據(jù)，然后打亂訓練數(shù)據(jù)的順序并轉(zhuǎn)變?yōu)?array 格式繼而轉(zhuǎn)變?yōu)?RNN 輸入要求的維度；
同理，利用 for 循環(huán)遍歷整個測試數(shù)據(jù)，一共生成 240組測試數(shù)據(jù)，測試集不需要打亂順序，但需轉(zhuǎn)變?yōu)?array 格式繼而轉(zhuǎn)變?yōu)?RNN 輸入要求的維度。
用 sequntial 搭建神經(jīng)網(wǎng)絡(luò)：
第一層循環(huán)計算層記憶體設(shè)定 80 個，每個時間步推送 h t h_t ht?給下一層，使用 0.2 的 Dropout；
第二層循環(huán)計算層設(shè)定記憶體有 100 個，僅最后的時間步推送 h t h_t ht?給下一層，使用 0.2 的 Dropout；
由于輸出值是第 61 天的開盤價只有一個數(shù)，所以全連接 Dense 是 1->compile 配置訓練方法使用 adam 優(yōu)化器，使用均方誤差損失函數(shù)。在股票預(yù)測代碼中，只需觀測 loss，訓練迭代打印的時候也只打印 loss，所以這里就無需給metrics賦值->設(shè)置斷點續(xù)訓,fit 執(zhí)行訓練過程->summary 打印出網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)統(tǒng)計。
進行 loss 可視化與參數(shù)報錯操作
進行股票預(yù)測。用 predict 預(yù)測測試集數(shù)據(jù)，然后將預(yù)測值和真實值從歸一化的數(shù)值變換到真實數(shù)值，最后用紅色線畫出真實值曲線 、用藍色線畫出預(yù)測值曲線。
為了評價模型優(yōu)劣，給出了三個評判指標：均方誤差、均方根誤差和平均絕對誤差，這些誤差越小說明預(yù)測的數(shù)值與真實值越接近。
RNN 股票預(yù)測 loss 曲線:
RNN 股票預(yù)測曲線:
RNN 股票預(yù)測評價指標:
模型摘要：
3、完整代碼
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dropout, Dense, SimpleRNN
import matplotlib.pyplot as plt
import os
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error
import math
# 讀取股票文件
maotai = pd.read_csv('./SH600519.csv')
# 前(2426-300=2126)天的開盤價作為訓練集,表格從0開始計數(shù)，2:3 是提取[2:3)列，前閉后開,故提取出C列開盤價
training_set = maotai.iloc[0:2426 - 300, 2:3].values
# 后300天的開盤價作為測試集
test_set = maotai.iloc[2426 - 300:, 2:3].values
# 歸一化
sc = MinMaxScaler(feature_range=(0, 1)) # 定義歸一化：歸一化到(0，1)之間
training_set_scaled = sc.fit_transform(training_set) # 求得訓練集的最大值，最小值這些訓練集固有的屬性，并在訓練集上進行歸一化
test_set = sc.transform(test_set) # 利用訓練集的屬性對測試集進行歸一化
x_train = []
y_train = []
x_test = []
y_test = []
# 測試集：csv表格中前2426-300=2126天數(shù)據(jù)
# 利用for循環(huán)，遍歷整個訓練集，提取訓練集中連續(xù)60天的開盤價作為輸入特征x_train，第61天的數(shù)據(jù)作為標簽，for循環(huán)共構(gòu)建2426-300-60=2066組數(shù)據(jù)。
for i in range(60, len(training_set_scaled)):
x_train.append(training_set_scaled[i - 60:i, 0])
y_train.append(training_set_scaled[i, 0])
# 對訓練集進行打亂
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
# 將訓練集由list格式變?yōu)閍rray格式
x_train, y_train = np.array(x_train), np.array(y_train)
# 使x_train符合RNN輸入要求：[送入樣本數(shù)， 循環(huán)核時間展開步數(shù)， 每個時間步輸入特征個數(shù)]。
# 此處整個數(shù)據(jù)集送入，送入樣本數(shù)為x_train.shape[0]即2066組數(shù)據(jù)；輸入60個開盤價，預(yù)測出第61天的開盤價，循環(huán)核時間展開步數(shù)為60; 每個時間步送入的特征是某一天的開盤價，只有1個數(shù)據(jù)，故每個時間步輸入特征個數(shù)為1
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
# 測試集：csv表格中后300天數(shù)據(jù)
# 利用for循環(huán)，遍歷整個測試集，提取測試集中連續(xù)60天的開盤價作為輸入特征x_test，第61天的數(shù)據(jù)作為標簽y_test，for循環(huán)共構(gòu)建300-60=240組數(shù)據(jù)。
for i in range(60, len(test_set)):
x_test.append(test_set[i - 60:i, 0])
y_test.append(test_set[i, 0])
# 測試集變array并reshape為符合RNN輸入要求：[送入樣本數(shù)， 循環(huán)核時間展開步數(shù)， 每個時間步輸入特征個數(shù)]
x_test, y_test = np.array(x_test), np.array(y_test)
x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))
model = tf.keras.Sequential([
SimpleRNN(80, return_sequences=True),# 第一層循環(huán)計算層：記憶體設(shè)定80個，每個時間步推送ht給下一層
Dropout(0.2), #使用0.2的Dropout
SimpleRNN(100),# 第二層循環(huán)計算層，設(shè)定記憶體100個
Dropout(0.2), #
Dense(1) # 由于輸出值是第61天的開盤價，只有一個數(shù)，所以Dense是1
])
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss='mean_squared_error') # 損失函數(shù)用均方誤差
# 該應(yīng)用只觀測loss數(shù)值，不觀測準確率，所以刪去metrics選項，一會在每個epoch迭代顯示時只顯示loss值
checkpoint_save_path = "./checkpoint/rnn_stock.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):
print('-------------load the model-----------------')
model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,
save_weights_only=True,
save_best_only=True,
monitor='val_loss')
history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,
callbacks=[cp_callback])
model.summary()
file = open('./weights.txt', 'w') # 參數(shù)提取
for v in model.trainable_variables:
file.write(str(v.name) + '\n')
file.write(str(v.shape) + '\n')
file.write(str(v.numpy()) + '\n')
file.close()
loss = history.history['loss']
val_loss = history.history['val_loss']
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
################## predict ######################
# 測試集輸入模型進行預(yù)測
predicted_stock_price = model.predict(x_test)
# 對預(yù)測數(shù)據(jù)還原---從（0，1）反歸一化到原始范圍
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
# 對真實數(shù)據(jù)還原---從（0，1）反歸一化到原始范圍
real_stock_price = sc.inverse_transform(test_set[60:])
# 畫出真實數(shù)據(jù)和預(yù)測數(shù)據(jù)的對比曲線
plt.plot(real_stock_price, color='red', label='MaoTai Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted MaoTai Stock Price')
plt.title('MaoTai Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('MaoTai Stock Price')
plt.legend()
plt.show()
##########evaluate##############
# calculate MSE 均方誤差 ---> E[(預(yù)測值-真實值)^2] (預(yù)測值減真實值求平方后求均值)
mse = mean_squared_error(predicted_stock_price, real_stock_price)
# calculate RMSE 均方根誤差--->sqrt[MSE] (對均方誤差開方)
rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))
# calculate MAE 平均絕對誤差----->E[|預(yù)測值-真實值|](預(yù)測值減真實值求絕對值后求均值）
mae = mean_absolute_error(predicted_stock_price, real_stock_price)
print('均方誤差: %.6f' % mse)
print('均方根誤差: %.6f' % rmse)
print('平均絕對誤差: %.6f' % mae)
以上就是Python+SimpleRNN實現(xiàn)股票預(yù)測詳解的詳細內(nèi)容，更多關(guān)于Python SimpleRNN股票預(yù)測的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
解析Mac OS下部署Pyhton的Django框架項目的過程
這篇文章主要介紹了Mac OS下部署Pyhton的Django框架項目的過程,還附帶將了一個gunicorn結(jié)合Nginx來部署Django應(yīng)用的方法,需要的朋友可以參考下2016-05-05
這篇文章主要介紹了Python爬蟲番外篇之Cookie和Session詳解，具有一定借鑒價值,需要的朋友可以參考下2017-12-12
基于PyQt5制作Excel數(shù)據(jù)分組匯總器
這篇文章主要介紹了基于PyQt5制作的一個小工具：Excel數(shù)據(jù)分組匯總器。文中的示例代碼講解詳細，感興趣的小伙伴可以跟隨小編一起試一試2022-01-01
你知道怎么改進Python 二分法和牛頓迭代法求算術(shù)平方根嗎
這篇文章主要介紹了Python編程實現(xiàn)二分法和牛頓迭代法求平方根代碼的改進，具有一定參考價值，需要的朋友可以了解下，希望能夠給你帶來幫助2021-08-08
python 進程間數(shù)據(jù)共享multiProcess.Manger實現(xiàn)解析
這篇文章主要介紹了python 進程間數(shù)據(jù)共享multiProcess.Manger實現(xiàn)解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-09-09
在本篇文章里小編給大家整理的是一篇關(guān)于python異常的傳遞知識點總結(jié)，有興趣的朋友們可以學習下。2021-06-06
這篇文章主要介紹了python實現(xiàn)的分層隨機抽樣案例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
Python?Tkinter?Gui運行不卡頓(解決多線程解決界面卡死問題)
最近寫的Python代碼不知為何,總是執(zhí)行到一半卡住不動,所以下面這篇文章主要給大家介紹了關(guān)于Python?Tkinter?Gui運行不卡頓,解決多線程解決界面卡死問題的相關(guān)資料,需要的朋友可以參考下2023-02-02
pandas使用fillna函數(shù)填充NaN值的代碼實例
最近在工作中遇到一個問題,pandas讀取的數(shù)據(jù)中nan在保存后變成空字符串,所以下面這篇文章主要給大家介紹了關(guān)于pandas使用fillna函數(shù)填充NaN值的相關(guān)資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2022-07-07
Python 余弦相似度與皮爾遜相關(guān)系數(shù) 計算實例
今天小編就為大家分享一篇Python 余弦相似度與皮爾遜相關(guān)系數(shù) 計算實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12