参赛结束了，最后结果一百多名，先把清洗好的数据和预测算法文件记录下来。

使用的完全代码和数据

https://download.csdn.net/download/infent/10693927

代码注释如下

# -*- encoding:utf-8 -*-
import pandas as pd
import numpy as np
import sys
from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.models import Sequential
from sklearn.preprocessing import MinMaxScaler

# 窗口长度
LEN_SEQ = 2
np.random.seed(0)

def load_one(data, x):
    global LEN_SEQ
    #ticker = data.query("TICKER_SYMBOL=="+str(x)) # 个股
    #ticker = data.query("TICKER_SYMBOL==1 or TICKER_SYMBOL==5")
    ticker =data.loc[data['TICKER_SYMBOL']==x]
    #ticker = data.query("TICKER_SYMBOL==@x")
    print('query the data')
    #print(ticker)
    arr = ticker.ix[:,[1,2,3,4]] # 矩阵
   # print(arr)
    # 做时序差分
    train, label = [], []
    b_size = 4
    for i in range(LEN_SEQ,0,-1):
        train.append(arr.shift(i))
        label += [('var%d(t-%d)' % (j+1,i)) for j in range(b_size)]
    for i in range(LEN_SEQ):
        train.append(arr.shift(-i))
        if i ==0:
            label += [('var%d(t)' %(j+1)) for j in range(b_size)]
        else:
            label += [('var%d(t+%d)'%(j+1,i)) for j in range(b_size)]
    Train = pd.concat(train,axis=1)
    Train.dropna(inplace=True)
    #Train.columns = label
    return Train

def build_model():
    model = Sequential()
    model.add(LSTM(20,input_shape=(1,15)))
    model.add(Dense(1))
    model.compile(loss='mae',optimizer='adam')
    return model

def predict_point_by_point(model, data):
    values = data.values
    train_X,train_y = values[:,:-1],values[:,-1]
    #test_X,test_y = values[:,:-1],data[:,-1]
    train_X = train_X.reshape((train_X.shape[0],1,train_X.shape[1]))
    #test_X = test_X.reshape(test_X,shape[0],LEN_SEQ,test_X.shape[1])
    LSTM = model.fit(train_X,train_y,epochs=20,batch_size=3)
    return model

#在金融的这份数据里，没有2018年q2的数据，也就是t+1的cogs，operateprofit，nincome都没有，无法去预测目标，也就是revenue的值。所以我们需要先对每个单列做出预测，这里我们仍然用lstm对2018q2的这三列预测，再加上向前的三次记录，共十五列来做预测

def create_trainX_trainy(data, look_back=1):
    trainX, trainy = [], []
    for i in range(len(data)-look_back-1):
        a = data[i:(i+look_back)]
        trainX.append(a)
        trainy.append(data[i + look_back])
    return np.array(trainX), np.array(trainy)

def predict_useone_column(column):
trainX,trainy = create_trainX_trainy(column)
trainX = np.reshape(trainX,(trainX.shape[0],1,trainX.shape[1]))

model = Sequential()
    model.add(LSTM(20,input_shape=(1,1)))
    model.add(Dense(1))
    model.compile(loss='mae',optimizer='adam')

model.fit(trainX,trainy,epochs=20,batch_size=1)
return model

def main():
    dic = {}
    data = pd.read_csv("./datanew.csv", header=0)
    data.drop('END_DATE',1,inplace=True)
    #print(data.head(),data.columns)

    data.fillna(0.00001,inplace=True)

#print(temp.isnull().count())
    #temp.fillna(0.000001,inplace=True)
    # 做minmax
    #scaler = MinMaxScaler(feature_range=(0,1))
    #data_scaled = pd.DataFrame(scaler.fit_transform(temp),columns=['TICKER_SYMBOL','REVENUE','COGS','OPERATE_PROFIT','N_INCOME'])

    tickers = data['TICKER_SYMBOL'].unique()
    #train, label, b_size = [], [], []

#按股训练，先出q2的前三列
    for i in tickers: # 按股循环
        print(i)
        train = load_one(data,i)
        if train.index.values ==[]:
            continue
        #print(train)



        #for j in [train.ix[:,12],train.ix[:,13],train.ix[:,14]]:
         #   predict_useone_column(model,column)
          # train.ix[]
        #print(train.values.shape)
       # print(train.head())
        # 做模型
       # print(i)
        model = build_model()
        # 做预测
        #dic[str(i)] = "预测数值"
        #LSTM = predict_point_by_point(model,train)
        #print(data.loc[data['TICKER_SYMBOL']==i]['COGS'].values)
        cogs_model=predict_useone_column((data.loc[data['TICKER_SYMBOL']==i])['COGS'].values)
        operate_model=predict_useone_column((data.loc[data['TICKER_SYMBOL']==i])['OPERATE_PROFIT'].values)
        nincome_model=predict_useone_column((data.loc[data['TICKER_SYMBOL']==i])['N_INCOME'].values)



        pre2018q2 = np.array(list(train.iloc[-1,3:15].values))
        cogs = cogs_model.predict(np.reshape(np.array(pre2018q2[9]),(1,1,1)))
        operate = operate_model.predict(np.reshape(np.array(pre2018q2[10]),(1,1,1)))
        nincome = nincome_model.predict(np.reshape(np.array(pre2018q2[11]),(1,1,1)))
        pre2018q2 = np.append(pre2018q2,[cogs,operate,nincome])
        #print(pre2018q2)
        pre2018q2 = np.reshape(pre2018q2,(1,1,15))


        model_after_train = predict_point_by_point(model,train)
        pre_revenue = model_after_train.predict(pre2018q2)[0][0]
        #print(pre_revenue,len(pre_revenue))
        dic[str(i)] = pre_revenue
        #train = pd.DataFrame()

    result = pd.DataFrame(columns=['ticker_symbol','predict_revenue'])
    result['ticker_symbol'] = dic.keys()
    result['predict_revenue'] = dic.values()
    result.to_csv('./predict.csv')

if __name__ == "__main__":
    sys.exit(main())

阿里天池竞赛 A股上市公司营收预测使用LSTM模型做时序预测相关推荐

A股上市公司营收预测
A股上市公司营收预测前言背景人员介绍数据理解数据准备翻译利润表的变量名(吃了文化亏) 通过spss statistisc的自动线性建模分析出影响到营业收入的10个变量建模(乱建的模) 模 ...
access游戏库不显示 ea_全球游戏公司营收一览：腾讯连续第六年霸榜
对于腾讯来说,他们主力营收还是来自游戏,这点是毋庸置疑的. 市场研究公司Newzoo送出的最新报告显示,2018年排名前25的上市游戏公司,总营收首次超过1000亿美元(1073亿美元),而全球市场的 ...
阿里云代理商：阿里云跨分部抵销前营收267.6亿元，跨分部抵销后营收207.57亿元，抵销后营收环比增长达17.37%。
阿里云代理商聚搜云专业服务于阿里云ECS服务器采购.阿里云Ddos采购.阿里云waf采购.对象存储OSS.阿里云企业邮箱采购.阿里云国际站代理商.阿里云国际站充值.云安全中心(态势感知).阿里云高可用 ...
2021年三季度中国物流行业A股上市企业营收排行榜：*ST飞马于12月初成功摘星脱帽（附热榜TOP46详单）
榜单解读: 2021年三季度中国物流行业共有46家(截至2022年2月8日)A股上市企业披露三季报,总计营收23859.1亿元,同比增长89.33%(2020Q3共有44家物流上市企业),总计归属母公 ...
Commvault公司营收增长但本季度仍身陷亏损
Commvault公司已经连续第三季度实现业务复苏,不过其税后实际收益较上年同期仍然出现了更加严重的亏损状况. Commvault公司2017财年第一季度营收同比提升9.6%,达到1.524亿美元:上 ...
阿里财报：云计算年度营收133亿，季度营收连续12个季度翻番
北京时间5月4日晚间,阿里巴巴集团公布2018财年第四季度和全年财报,该季度内(2018年1月至3月底)阿里云营收43.85亿元,同比增长103%:2018财年(2017年4月至2018年3月底)营收 ...
2021年三季度中国医疗服务行业A股上市企业营收排行榜：国际医学于1月17日起戴帽，简称变更为“ST国医”（附热榜TOP37详单）
榜单解读: 2021年三季度中国医疗服务行业共有37家(截至2022年1月17日)A股上市企业披露三季报,总计营收944.7亿元,同比增长83.31%(2020Q3共有24家医疗服务上市企业) ...
2021年三季度中国家居用品行业A股上市企业营收排行榜：欧派家居、顾家家居排名前2位，且近五年第三季度的净利润均逐年递增（附热榜TOP61详单）
榜单解读: 2021年三季度中国家居用品行业共有61家(截至2022年1月19日)A股上市企业披露三季报,总计营收1576亿元,总计归属母公司净利润142.3亿元.61家家居用品上市企 ...
2021年三季度中国生物制品行业A股上市企业营收排行榜：智飞生物业绩突出，8家企业新上榜（附热榜TOP42详单）
榜单解读: 2021年三季度中国生物制品行业共有42家(截至2022年1月22日)A股上市企业披露三季报,总计营收986.9亿元,同比增长7.52%(2020Q3共有45家生物制品上市企业), ...

阿里天池竞赛 A股上市公司营收预测使用LSTM模型做时序预测

参赛结束了，最后结果一百多名，先把清洗好的数据和预测算法文件记录下来。

使用的完全代码和数据

https://download.csdn.net/download/infent/10693927

代码注释如下

阿里天池竞赛 A股上市公司营收预测使用LSTM模型做时序预测相关推荐

最新文章

热门文章

阿里天池竞赛 A股上市公司营收预测 使用LSTM模型做时序预测

参赛结束了，最后结果一百多名，先把清洗好的数据和预测算法文件记录下来。

使用的完全代码和数据

https://download.csdn.net/download/infent/10693927

代码注释如下

阿里天池竞赛 A股上市公司营收预测 使用LSTM模型做时序预测相关推荐

最新文章

热门文章

阿里天池竞赛 A股上市公司营收预测使用LSTM模型做时序预测

阿里天池竞赛 A股上市公司营收预测使用LSTM模型做时序预测相关推荐