LSTM股票价格预测

特征缩放：

1归一化
X-Xmin/(Xmax-Xmin) (0,1)
2标准化
X-均值/期望

7个时间步最后预测第八天的收盘价格即图中的y

     def forward(self, x):# Initialize hidden and cell statesh_0 = Variable(torch.zeros(self.num_layers, x.size(0), self.hidden_size))# 上一个时间步的预测值c_0 = Variable(torch.zeros(self.num_layers, x.size(0), self.hidden_size))# 记忆单元 h0 = sigmod(c0)'''送进来的每条样本都生成记忆单元向 量(层数，样本数量，记忆单元长度)（1,724*0.7,5）'''# Propagate input through LSTM_, (h_out, _) = self.lstm(x, (h_0, c_0)) # 取得最后的输出结果  # 此处分别是 y1-y7,中间结果y7,要送入下一步的记忆单元ch_out = h_out.view(-1, self.hidden_size)# 行列变换  （n条样本，5） 每个样本的特征数是5 out = self.fc(h_out)# 连接一个全连接层 输出最后的结果h7return out'''# Propagate input through LSTM_, (h_out, _) = self.lstm(x, (h_0, c_0)) # 取得最后的输出结果h_out = h_out.view(-1, self.hidden_size)out = self.fc(h_out)return out

'''
This script shows how to predict stock prices using a basic RNN
'''
import torch
import torch.nn as nn
from torch.autograd import Variable
import numpy as nptorch.manual_seed(777)  # reproducibilityimport matplotlib.pyplot as plt#  特征缩放 归一化
def MinMaxScaler(data):numerator = data - np.min(data, 0)denominator = np.max(data, 0) - np.min(data, 0)# noise term prevents the zero divisionreturn numerator / (denominator + 1e-7)# train Parameters
learning_rate = 0.01
num_epochs = 500
input_size = 5
hidden_size = 5
num_classes = 1
timesteps = seq_length = 7
num_layers = 1  # number of layers in RNN# Open, High, Low, Volume, Close
xy = np.loadtxt('data-02-stock_daily.csv', delimiter=',')
xy = xy[::-1]  # reverse order (chronically ordered) 拿出所有行除了最后一列 特征部分
xy = MinMaxScaler(xy)
x = xy
y = xy[:, [-1]]  # Close as label 拿到最后一列# build a dataset
dataX = []
dataY = []
for i in range(0, len(y) - seq_length):_x = x[i:i + seq_length] # [0,7） x0-x6 _x是一条样本的特征_y = y[i + seq_length]  # Next close price 最后一列收盘价格 即y[7]  _y是一条样本的标签 print(_x, "->", _y)dataX.append(_x)dataY.append(_y)# train/test split
train_size = int(len(dataY) * 0.7) #724条数据 *0.7
test_size = len(dataY) - train_size #724*0.3
trainX = torch.Tensor(np.array(dataX[0:train_size]))
trainX = Variable(trainX)# 张量变自动求导的过程
testX = torch.Tensor(np.array(dataX[train_size:len(dataX)]))
testX = Variable(testX)
trainY = torch.Tensor(np.array(dataY[0:train_size]))
trainY = Variable(trainY)
testY = torch.Tensor(np.array(dataY[train_size:len(dataY)]))
testY = Variable(testY)class LSTM(nn.Module):# 分类问题只有一个数，一次性送入5条样本数据，记忆单元向量的长度为5,一个rnn单元def __init__(self, num_classes, input_size, hidden_size, num_layers):super(LSTM, self).__init__()self.num_classes = num_classesself.num_layers = num_layersself.input_size = input_sizeself.hidden_size = hidden_sizeself.seq_length = seq_length# Set parameters for RNN block# Note: batch_first=False by default.# When true, inputs are (batch_size, sequence_length, input_dimension)# instead of (sequence_length, batch_size, input_dimension)self.lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size,num_layers=num_layers, batch_first=True)# Fully connected layerself.fc = nn.Linear(hidden_size, num_classes)def forward(self, x):# Initialize hidden and cell statesh_0 = Variable(torch.zeros(self.num_layers, x.size(0), self.hidden_size))# 上一个时间步的预测值c_0 = Variable(torch.zeros(self.num_layers, x.size(0), self.hidden_size))# 记忆单元 h0 = sigmod(c0)'''送进来的每条样本都生成记忆单元向 量(层数，样本数量，记忆单元长度)（1,724*0.7,5）'''# Propagate input through LSTM_, (h_out, _) = self.lstm(x, (h_0, c_0)) # 取得最后的输出结果  # 此处分别是 y1-y7,中间结果y7,要送入下一步的记忆单元ch_out = h_out.view(-1, self.hidden_size)# 行列变换  （n条样本，5） 每个样本的特征数是5 out = self.fc(h_out)# 连接一个全连接层 输出最后的结果h7return out# Instantiate RNN model
lstm = LSTM(num_classes, input_size, hidden_size, num_layers)# Set loss and optimizer function
criterion = torch.nn.MSELoss()    # mean-squared error for regression
optimizer = torch.optim.Adam(lstm.parameters(), lr=learning_rate)# Train the model
for epoch in range(num_epochs):outputs = lstm(trainX)# 一次性把所有训练样本都输入进来 没有一批批用batchsize送数据optimizer.zero_grad()# 对每个epcho 偏导数置0 防止持续累积 # obtain the loss functionloss = criterion(outputs, trainY)loss.backward()# 计算偏导数optimizer.step()# 更新参数print("Epoch: %d, loss: %1.5f" % (epoch, loss.item()))print("Learning finished!")# Test the model
lstm.eval()# 关闭训练技巧
t est_predict = lstm(testX)# Plot predictions
test_predict = test_predict.data.numpy()
testY = testY.data.numpy()
plt.plot(testY,c='y')
plt.plot(test_predict,c='b')
print(testY.shape)
print(test_predict.shape)
plt.xlabel("Time Period")
plt.ylabel("Stock Price")
plt.show()

LSTM股票价格预测相关推荐

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 ...
股票价格预测 | Python实现LSTM股票价格时间序列预测
股票价格预测 | Python实现LSTM股票价格时间序列预测目录股票价格预测 | Python实现LSTM股票价格时间序列预测基本介绍数据集程序下载总结基本介绍长短时记忆(LSTM) ...
LSTM 无法预测股票价格
莱顿·阿里顿尽管 LSTM 是一种非常流行的方法,但它本质上是一种估计股票价格的糟糕方法长短期记忆 (LSTM) 网络是一种非常流行的循环神经网络,主要用于学习序列和顺序依赖.因此,在学习音频 ...
基于LSTM、RNN及滑动窗口CNN模型的股票价格预测
基于LSTM.RNN及滑动窗口CNN模型的股票价格预测 Abstract 股票市场或股票市场对当今经济产生深远影响.股价的上涨或者下跌对投资者的收益具有重要的决定作用.现有的预测方法使用线性(AR,M ...
时序预测 | MATLAB实现贝叶斯优化CNN-LSTM时间序列预测(股票价格预测)
时序预测 | MATLAB实现贝叶斯优化CNN-LSTM时间序列预测(股票价格预测) 目录时序预测 | MATLAB实现贝叶斯优化CNN-LSTM时间序列预测(股票价格预测) 效果一览基本介绍模 ...
经济数据预测 | Python实现CNN-LSTM股票价格预测时间序列预测
经济数据预测 | Python实现CNN-LSTM股票价格预测时间序列预测目录经济数据预测 | Python实现CNN-LSTM股票价格预测时间序列预测基本介绍程序设计学习总结基本介绍通 ...
大数据毕业设计 LSTM时间序列预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
毕业设计 LSTM的预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
[人工智能学习日志]深度学习-股票价格预测案例1
来自股票价格预测bilibili课程. 源自jupyter notebook文件main.ipynb. 代码用tf1书写,使用tf2会因为版本不对应而报错,tf2版本的代码后续再研究. 股票价格预测 ...

LSTM股票价格预测

特征缩放：

LSTM股票价格预测相关推荐

最新文章

热门文章