神经网络（NN）它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在提供数据量足够大情况下，神经网络可以拟合出输入到输出之间的任意函数关系。

Tensorflow是一个优秀的深度学习框架，具体有啥好处，可以百度了解哈。

本文分享使用Tensorflow神经网络进行股市的预测

1、数据来源

首先找到一组股票数据，数据可以网络上爬虫，东方财富、大智慧都有。爬虫方法参看以前的文章。

date = np.linspace(1, 30, 30)  #beginPrice = np.array([2923.19, 2928.06, 2943.92, 2946.26, 2944.40, 2920.85, 2861.33, 2854.58, 2776.69, 2789.02,                       2784.18, 2805.59, 2781.98, 2798.05, 2824.49, 2762.34, 2817.57, 2835.52, 2879.08, 2875.47,                       2887.66, 2885.15, 2851.02, 2879.52, 2901.63, 2896.00, 2907.38, 2886.94, 2925.94, 2927.75])endPrice = np.array([2937.36, 2944.54, 2941.01, 2952.34, 2932.51, 2908.77, 2867.84, 2821.50, 2777.56, 2768.68,                     2794.55, 2774.75, 2814.99, 2797.26, 2808.91, 2815.80, 2823.82, 2883.10, 2880.00, 2880.33,                     2883.44, 2897.43, 2863.57, 2902.19, 2893.76, 2890.92, 2886.24, 2924.11, 2930.15, 2957.41])

2、数据展示

基于matplotlib可视化库，建立一个30行2列的矩阵存储股票数据，矩阵的第一列是股票开盘价格，第二列是股票的收盘价格，如果股票的收盘价格高于开盘价格则用红色显示，反之则用绿色显示，可视化股票数据如下图所示。

for i in range(0, 30):  # 画柱状图    dateOne = np.zeros([2])    dateOne[0] = i    dateOne[1] = i    priceOne = np.zeros([2])    priceOne[0] = beginPrice[i]    priceOne[1] = endPrice[i]    if endPrice[i] > beginPrice[i]:        plt.plot(dateOne, priceOne, 'r', lw=6)    else:        plt.plot(dateOne, priceOne, 'g', lw=6)plt.xlabel("date")plt.ylabel("price")plt.show()

3、Tensorflow预测

基于Tensorflow神经网络框架，设计了三层神经网络，其中隐含层包括25个节点，设计的神经网络用来预测股票的收盘价。

dateNormal = np.zeros([30, 1])priceNormal = np.zeros([30, 1])# 归一化for i in range(0, 30):    dateNormal[i, 0] = i / 29.0    priceNormal[i, 0] = endPrice[i] / 3000.0x = tf.placeholder(tf.float32, [None, 1])y = tf.placeholder(tf.float32, [None, 1])# X->hidden_layerw1 = tf.Variable(tf.random_uniform([1, 25], 0, 1))b1 = tf.Variable(tf.zeros([1, 25]))wb1 = tf.matmul(x, w1) + b1layer1 = tf.nn.relu(wb1)  # 激励函数# hidden_layer->outputw2 = tf.Variable(tf.random_uniform([25, 1], 0, 1))b2 = tf.Variable(tf.zeros([30, 1]))wb2 = tf.matmul(layer1, w2) + b2layer2 = tf.nn.relu(wb2)loss = tf.reduce_mean(tf.square(y - layer2))  # y为真实数据， layer2为网络预测结果# 梯度下降train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    for i in range(0, 20000):        sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})    # 预测， X  w1w2 b1b2 -->layer2    pred = sess.run(layer2, feed_dict={x: dateNormal})    date1 = np.linspace(0, 29, 30)  #    plt.plot(date1, pred*3000, 'b', lw=3)plt.show()

运行以上代码可视化神经网络的预测结果如下图所示

完整的代码如下：

import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tf# import tensorflow.compat.v1 as tf# tf.disable_v2_behavior() # 如果是tensorflow2版本就取消这行注释date = np.linspace(1, 30, 30)  #beginPrice = np.array([2923.19, 2928.06, 2943.92, 2946.26, 2944.40, 2920.85, 2861.33, 2854.58, 2776.69, 2789.02,                       2784.18, 2805.59, 2781.98, 2798.05, 2824.49, 2762.34, 2817.57, 2835.52, 2879.08, 2875.47,                       2887.66, 2885.15, 2851.02, 2879.52, 2901.63, 2896.00, 2907.38, 2886.94, 2925.94, 2927.75])endPrice = np.array([2937.36, 2944.54, 2941.01, 2952.34, 2932.51, 2908.77, 2867.84, 2821.50, 2777.56, 2768.68,                     2794.55, 2774.75, 2814.99, 2797.26, 2808.91, 2815.80, 2823.82, 2883.10, 2880.00, 2880.33,                     2883.44, 2897.43, 2863.57, 2902.19, 2893.76, 2890.92, 2886.24, 2924.11, 2930.15, 2957.41])for i in range(0, 30):  # 画柱状图    dateOne = np.zeros([2])    dateOne[0] = i    dateOne[1] = i    priceOne = np.zeros([2])    priceOne[0] = beginPrice[i]    priceOne[1] = endPrice[i]    if endPrice[i] > beginPrice[i]:        plt.plot(dateOne, priceOne, 'r', lw=6)    else:        plt.plot(dateOne, priceOne, 'g', lw=6)plt.xlabel("date")plt.ylabel("price")# plt.show()dateNormal = np.zeros([30, 1])priceNormal = np.zeros([30, 1])# 归一化for i in range(0, 30):    dateNormal[i, 0] = i / 29.0    priceNormal[i, 0] = endPrice[i] / 3000.0x = tf.placeholder(tf.float32, [None, 1])y = tf.placeholder(tf.float32, [None, 1])# X->hidden_layerw1 = tf.Variable(tf.random_uniform([1, 25], 0, 1))b1 = tf.Variable(tf.zeros([1, 25]))wb1 = tf.matmul(x, w1) + b1layer1 = tf.nn.relu(wb1)  # 激励函数# hidden_layer->outputw2 = tf.Variable(tf.random_uniform([25, 1], 0, 1))b2 = tf.Variable(tf.zeros([30, 1]))wb2 = tf.matmul(layer1, w2) + b2layer2 = tf.nn.relu(wb2)loss = tf.reduce_mean(tf.square(y - layer2))  # y为真实数据， layer2为网络预测结果# 梯度下降train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    for i in range(0, 20000):        sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})    # 预测， X  w1w2 b1b2 -->layer2    pred = sess.run(layer2, feed_dict={x: dateNormal})    date1 = np.linspace(0, 29, 30)  #    plt.plot(date1, pred*3000, 'b', lw=3)plt.show()

代码中需要用到numpy、matplotlib和tensorflow三个库，为了提高下载速度，建议切换到国内的pip源，例如豆瓣、清华等

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simplepip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simplepip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

Python Tensorflow神经网络实现股票预测相关推荐

TensorFlow神经网络实现股票预测
目录 1.数据来源 2.数据可视化 3.神经网络设计神经网络(NeuralNetworks)是一种用训练数据拟合目标函数的黑箱模型,只要数据量足够大,它可以拟合出输入到输出之间的任意函数关系. 本篇 ...
LSTM 长短期记忆神经网络及股票预测实现
一.介绍我们知道RNN(循环神经网络)可以通过时间序列预测输出,LSTM也具有同样的功能,那么为什么需要LSTM呢? 由于RNN在参数更新过程中参数矩阵更新可能会造成梯度消失的问题,这才演化出了具有 ...
【遗传优化BP网络】基于自适应遗传算法的BP神经网络的股票预测MATLAB仿真
1.软件版本 MATLAB2021a 2.本算法理论知识通过MATLAB对BP神经网络,基于遗传优化的BP神经网络,基于改进遗传优化的BP神经网络以及基于改进遗传优化的组合BP神经网络等多种算法的股 ...
利用神经网络实现股票预测 | 附Pyhon代码
神经网络(NeuralNetworks)是一种用训练数据拟合目标函数的黑箱模型,只要数据量足够大,它可以拟合出输入到输出之间的任意函数关系. 本篇教程我们将使用神经网络进行股市的预测,利用数据样本学习 ...
python移动窗口求股票预测误差均值
目录一.题目描述二.题目分析三.题目代码四.总结一.题目描述已知贵州茅台的2019年1月至今每天的股票收益率序列(数据见下),采用移动窗口平均法预测,计算预测误差均值.并在[2,20]范围 ...
python bp神经网络代码实现预测,用Python实现BP神经网络（附代码）
用Python实现出来的机器学习算法都是什么样子呢? 前两期线性回归及逻辑回归项目已发布(见文末链接),今天来讲讲BP神经网络. BP神经网络全部代码 https://github.com/lawl ...
循环神经网络RNN、LSTM、GRU实现股票预测
Tensorflow--循环神经网络RNN 循环核 TensorFlow描述循环核循环神经网络 TensorFlow描述循环神经网络循环计算过程输入一个字母,预测下一个字母输入四个连续字母,预 ...
MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测股价预测 matlab实战数据分析数据可视化时序数据预测变种RNN 股票预测
MATLAB-基于长短期记忆网络(LSTM)的SP500的股票价格预测股价预测 matlab实战数据分析数据可视化时序数据预测变种RNN 股票预测摘要近些年,随着计算机技术的不断发展,神 ...
基于遗传算法的BP神经网络的股票预测模型_matlab实现
文章目录摘要 bp神经网络遗传算法实验结果与分析完整代码下载: 摘要在目前的股票投资市场,不少自然人股民的投资主要方式使根据对当天或者一个较长周期对股票数据的预测,来得到下一天的股票数据,从 ...

Python Tensorflow神经网络实现股票预测

1、数据来源

Python Tensorflow神经网络实现股票预测相关推荐

最新文章

热门文章