基于ricequant的lstm时间序列股价预测（pytorch）

import pandas as pd
import matplotlib.pyplot as plt
import datetime
import torch
import torch.nn as nn
import numpy as np
from torch.utils.data import Dataset, DataLoader# 确定每月日期 2014-01-01~2016-01-01
dates = get_trading_dates(start_date="2018-11-01", end_date="2021-12-15")
#stock = index_components("000065.XSHE")x = get_price(["000065.XSHE"], start_date=dates[0], end_date=dates[-1], fields='close')
T = len(x)//用到的函数
def generate_df_affect_by_n_days(series, n, index=False):if len(series) <= n:raise Exception("The Length of series is %d, while affect by (n=%d)." % (len(series), n))df = pd.DataFrame()for i in range(n):df['c%d' % i] = series.tolist()[i:-(n - i)]df['y'] = series.tolist()[n:]if index:df.index = series.index[n:]return dfdef readData(column='close', n=30, all_too=True, index=False, train_end=-300):#df = pd.read_csv("sh.csv", index_col=0)#df.index = list(map(lambda x: datetime.datetime.strptime(x, "%Y-%m-%d"), df.index))#df.index = x["date"]global xx = x.reset_index()x = x.set_index(['date'])df = xdf_column = df[column].copy()df_column_train, df_column_test = df_column[:train_end], df_column[train_end - n:]df_generate_from_df_column_train = generate_df_affect_by_n_days(df_column_train, n, index=index)if all_too:return df_generate_from_df_column_train, df_column, df.index.tolist()return df_generate_from_df_column_trainclass RNN(nn.Module):def __init__(self, input_size):super(RNN, self).__init__()self.rnn = nn.LSTM(input_size=input_size,hidden_size=64,num_layers=1,batch_first=True)self.out = nn.Sequential(nn.Linear(64, 1))def forward(self, x):r_out, (h_n, h_c) = self.rnn(x, None)  # None 表示 hidden state 会用全0的 stateout = self.out(r_out)return outclass TrainSet(Dataset):def __init__(self, data):# 定义好 image 的路径self.data, self.label = data[:, :-1].float(), data[:, -1].float()def __getitem__(self, index):return self.data[index], self.label[index]def __len__(self):return len(self.data)//提取数据和数据处理
n = 30
LR = 0.0001
EPOCH = 100
train_end = -300
# 数据集建立
df, df_all, df_index = readData('close', n=n, train_end=train_end)df_all = np.array(df_all.tolist())
plt.plot(df_index, df_all, label='real-data')df_numpy = np.array(df)df_numpy_mean = np.mean(df_numpy)
df_numpy_std = np.std(df_numpy)df_numpy = (df_numpy - df_numpy_mean) / df_numpy_std
df_tensor = torch.Tensor(df_numpy)trainset = TrainSet(df_tensor)
trainloader = DataLoader(trainset, batch_size=10, shuffle=True)//模型训练
rnn = RNN(n)
optimizer = torch.optim.Adam(rnn.parameters(), lr=LR)  # optimize all cnn parameters
loss_func = nn.MSELoss()for step in range(EPOCH):for tx, ty in trainloader:output = rnn(torch.unsqueeze(tx, dim=0))loss = loss_func(torch.squeeze(output), ty)optimizer.zero_grad()  # clear gradients for this training steploss.backward()  # back propagation, compute gradientsoptimizer.step()print(step, loss)if step % 10:torch.save(rnn, 'rnn.pkl')
torch.save(rnn, 'rnn.pkl')//股价预测
generate_data_train = []
generate_data_test = []test_index = len(df_all) + train_enddf_all_normal = (df_all - df_numpy_mean) / df_numpy_std
df_all_normal_tensor = torch.Tensor(df_all_normal)
for i in range(n, len(df_all)):x = df_all_normal_tensor[i - n:i]x = torch.unsqueeze(torch.unsqueeze(x, dim=0), dim=0)y = rnn(x)if i < test_index:generate_data_train.append(torch.squeeze(y).detach().numpy() * df_numpy_std + df_numpy_mean)else:generate_data_test.append(torch.squeeze(y).detach().numpy() * df_numpy_std + df_numpy_mean)
plt.plot(df_index[n:train_end], generate_data_train, label='generate_train')
plt.plot(df_index[train_end:], generate_data_test, label='generate_test')
plt.legend()
plt.show()
plt.cla()
plt.plot(df_index[train_end:-400], df_all[train_end:-400], label='real-data')
plt.plot(df_index[train_end:-400], generate_data_test[:-400], label='generate_test')
plt.legend()
plt.show()

效果图

基于ricequant的lstm时间序列股价预测（pytorch）相关推荐

【LSTM时间序列数据】基于matlab LSTM时间序列数据预测【含Matlab源码 1949期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[LSTM时间序列数据]基于matlab LSTM时间序列数据预测[含Matlab源码 1949期] 获取代码方式2: 付费专栏Matla ...
利用LSTM进行股价预测
利用LSTM进行股价预测效果原理代码应用效果原理 LSTM即长短记忆网络,是一种很强的RNN,这种网络的特性是以前的输入会影响现在的输出,具体原理请自行搜索. 算法流程: 获取yahoo财 ...
基于CCI与SVM的股价预测（菜鸟版）
基于CCI与SVM的股价预测(菜鸟版) 一.前言二.工作原理 1.CCI 解读 2.支持向量机原理三.系统工作流程 1.获取用户输入,同时获取股票或指数列表,判断该证券是否存在. 2.获取日线数据 ...
时间序列预测 | Python实现Prophet、ARIMA、LSTM时间序列数据预测
时间序列预测 | Python实现Prophet.ARIMA.LSTM时间序列数据预测目录时间序列预测 | Python实现Prophet.ARIMA.LSTM时间序列数据预测数据描述特征工程 ...
pytorch LSTM的股价预测
股价预测一直以来都是幻想能够被解决的问题,本文中主要使用了lstm模型去对股价做一个大致的预测,数据来源是tushare,非常感谢tushare的数据!! 为什么要用LSTM? LSTM是一种序列模型 ...
【基于MATLAB实现LSTM光伏输出功率预测】
基于MATLAB实现LSTM(长短记忆网络)光伏输出功率预测背景近年来,光伏市场在全世界的规模迅速增长.2020 年中国宣布采取新政策来提高国家的贡献力,目标是在2030 年前实现碳达峰,在206 ...
LSTM实现股票预测--pytorch版本【120+行代码】
简述网上看到有人用Tensorflow写了的但是没看到有用pytorch写的. 所以我就写了一份.写的过程中没有参照任何TensorFlow版本的(因为我对TensorFlow目前理解有限),所以写 ...
基于LASSO分位数回归时间序列区间预测
1.LASSO LASSO回归的特点是在拟合广义线性模型的同时进行变量筛选(variable selection)和复杂度调整(regularization).因此,不论因变量是连续的(continu ...
基于keras 搭建LSTM GRU模型预测共享单车使用情况完整代码+数据数据分析计算机毕设
项目运行教程:https://www.bilibili.com/video/BV1nT411k7dT/?spm_id_from=333.999.0.0 附完整代码数据:
如何建立Multi-Step（多步预测）的LSTM时间序列模型（以对家庭用电预测为例）
译自How to Develop LSTM Models for Multi-Step Time Series Forecasting of Household Power Consumption~ ...

基于ricequant的lstm时间序列股价预测（pytorch）

基于ricequant的lstm时间序列股价预测（pytorch）相关推荐

最新文章

热门文章