【云云怪】深度学习之：股票价格预测

这是K同学的项目，我只是拿来验证一下，学一学，玩一玩。顺便自己发现了一些结论：

主要源代码都是K同学写的（原文链接），我添加的功能有：

1，在线下载任何一只股票的价格信息。

2，画图论证了本程序并没有“预测”功能，“再现”功能倒是棒棒的。

开始吧：

# 载入数据import os,math
from tensorflow.keras.layers import Dropout, Dense, SimpleRNN
from sklearn.preprocessing   import MinMaxScaler
from sklearn                 import metrics
import numpy             as np
import pandas            as pd
import tensorflow        as tf
import matplotlib.pyplot as plt
import tushare as tscode_set='601318'
fn='C:/.../A'+code_set+'.csv'stock=ts.get_k_data(code=code_set,start='1994-01-01') #下载股票价格信息
stock.to_csv(fn)data = pd.read_csv(fn)  # 读取股票价格文件
data

# 整理数据"""
前(total-300)天的开盘价作为训练集,表格从0开始计数，2:3 是提取[2:3)列，前闭后开,故提取出C列开盘价。若3:4则提取收盘价。
后300天的开盘价作为测试集
"""
td=data.shape[0]
training_set = data.iloc[0:td - 300, 2:3].values
test_set = data.iloc[td - 300:, 2:3].values  # 归一化sc           = MinMaxScaler(feature_range=(0, 1))
training_set = sc.fit_transform(training_set)
test_set     = sc.transform(test_set) # 设置测试集和训练集x_train = []
y_train = []x_test = []
y_test = []"""
使用前60天的开盘价作为输入特征x_train第61天的开盘价作为输入标签y_trainfor循环共构建 total-300-60 组训练数据。共构建 300-60=260 组测试数据
"""
for i in range(60, len(training_set)):x_train.append(training_set[i - 60:i, 0])y_train.append(training_set[i, 0])for i in range(60, len(test_set)):x_test.append(test_set[i - 60:i, 0])y_test.append(test_set[i, 0])"""
将训练数据调整为数组（array）
"""x_train, y_train = np.array(x_train), np.array(y_train)
x_test,  y_test  = np.array(x_test),  np.array(y_test)"""
输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]
"""
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
x_test  = np.reshape(x_test,  (x_test.shape[0], 60, 1))# 对训练集进行打乱
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)

# 构建模型
model = tf.keras.Sequential([SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。Dropout(0.1),                         #防止过拟合SimpleRNN(100),Dropout(0.1),Dense(1)
])# 激活模型
# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),loss='mean_squared_error')  # 损失函数用均方误差# 训练模型
history = model.fit(x_train, y_train, batch_size=64, epochs=20, validation_data=(x_test, y_test), validation_freq=1)                  #测试的epoch间隔数model.summary()

Epoch 1/20
48/48 [==============================] - 3s 42ms/step - loss: 0.1115 - val_loss: 9.1373e-04
Epoch 2/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0148 - val_loss: 9.4330e-04
Epoch 3/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0098 - val_loss: 9.0168e-04
Epoch 4/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0070 - val_loss: 0.0018
Epoch 5/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0052 - val_loss: 4.4911e-04
Epoch 6/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0043 - val_loss: 7.3918e-04
Epoch 7/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0039 - val_loss: 7.6899e-04
Epoch 8/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0033 - val_loss: 0.0011
Epoch 9/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0029 - val_loss: 4.8019e-04
Epoch 10/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0026 - val_loss: 4.0463e-04
Epoch 11/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0023 - val_loss: 3.6747e-04
Epoch 12/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0021 - val_loss: 4.0640e-04
Epoch 13/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0021 - val_loss: 8.8336e-04
Epoch 14/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0018 - val_loss: 3.4625e-04
Epoch 15/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0017 - val_loss: 7.2625e-04
Epoch 16/20
48/48 [==============================] - 2s 38ms/step - loss: 0.0016 - val_loss: 3.2855e-04
Epoch 17/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0017 - val_loss: 2.9916e-04
Epoch 18/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0017 - val_loss: 8.3816e-04
Epoch 19/20
48/48 [==============================] - 2s 36ms/step - loss: 0.0016 - val_loss: 4.8217e-04
Epoch 20/20
48/48 [==============================] - 2s 37ms/step - loss: 0.0013 - val_loss: 2.8706e-04
Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
simple_rnn_4 (SimpleRNN)     (None, 60, 100)           10200
_________________________________________________________________
dropout_4 (Dropout)          (None, 60, 100)           0
_________________________________________________________________
simple_rnn_5 (SimpleRNN)     (None, 100)               20100
_________________________________________________________________
dropout_5 (Dropout)          (None, 100)               0
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 101
=================================================================
Total params: 30,401
Trainable params: 30,401
Non-trainable params: 0

# 绘制 LOSS 图plt.plot(history.history['loss']    , label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Training and Validation Loss')
plt.legend()
plt.show()

# 预测
predicted_stock_price = model.predict(x_test)                       # 测试集输入模型进行预测
predicted_stock_price = sc.inverse_transform(predicted_stock_price) # 对预测数据还原---从（0，1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:])              # 对真实数据还原---从（0，1）反归一化到原始范围# 画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color='red', label='Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted Stock Price')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Stock Price')
plt.legend()
plt.show()

看上去可完美了！然而——

如果仔细观察，会发现红线始终领先于蓝线，也就是说：预测数据其实是跟随真实数据的变化而变化的。画出最后20天的放大图来看，会发现，所谓的“预测”数据，其实是完美再现了2天之前的真实数据。（吐血。。。）

结论：本程序再次验证，股票价格是无法预测的~

大家该吃吃，该睡睡，祈祷股市发发发。

【云云怪】深度学习之：股票价格预测相关推荐

深度学习多变量时间序列预测：LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM(Long Short Term Memory Network)长短时记忆网络,是一种改进之后的循环神经网 ...
深度学习多变量时间序列预测：Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战人类并不是每时每刻都从一片空白的大脑开始他们的思考.在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见 ...
深度学习多变量时间序列预测：Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要 ...
深度学习多变量时间序列预测：卷积神经网络（CNN）算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战卷积神经网络,听起来像是计算机科学.生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力 ...
深度学习多变量时间序列预测：GRU算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战 GRU是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种 ...
如何一夜暴富？深度学习教你预测比特币价格
如何一夜暴富?深度学习教你预测比特币价格 2018年08月06日 17:50:00 近年来,以比特币为代表的加密数字货币一直是社交媒体和搜索引擎上的热门.但是,比特币价格浮动也使各位看官们经历了过山车 ...
基于深度学习的视频预测研究综述
原址:http://html.rhhz.net/tis/html/201707032.htm (收集材料ing,为论文做准备)[综述性文章,,,可以做背景资料] 莫凌飞, 蒋红亮, 李煊鹏摘要:近年 ...
[深度学习项目] - 时间序列预测 (5)[待补充]
基于RNN的时序预测基于LSTM的时序预测: 输入数据时输入的 y t y_t yt和 x t + 1 x_{t+1} xt+1之间存在一个时间差. DeepAR 和 MQRNN 都可以实现时 ...
Keras深度学习实战——信用预测
Keras深度学习实战--信用预测 0. 前言 1. 任务与模型分析 1.1 数据集 1.2 信用预测任务分析 1.3 神经网络模型分析 2. 使用神经网络实现信用预测 3. 改进模型 3.1 为类别 ...
基于深度学习的股票预测（完整版，有代码）
基于深度学习的股票预测数据获取数据转换 LSTM模型搭建训练模型预测结果数据获取采用tushare的数据接口(不知道tushare的筒子们自行百度一下,简而言之其免费提供各类金融数据 , ...

【云云怪】深度学习之：股票价格预测

【云云怪】深度学习之：股票价格预测相关推荐

最新文章

热门文章