最近应一位读金融学朋友的求助，正好最近任务不忙，决定花小半天的时间帮他写一份有关股价预测的代码，也当作给自己练练手了。于是想把这个过程记录下来，希望可以帮助到像我一样的小白。

一、数据集

1. 数据分析

首先，先看看数据集长什么样。

这是最简单的单变量时间序列数据，是自2016/11/01到2021/10/29的上证医疗指数收盘价，由于这是单变量时间序列数据，所以不需要考虑特征工程，对于多变量的任务，可以通过特征工程对变量进行筛选，这里对此不过多解释，有需要的话自行搜索。

2. 读取数据

首先，加载数据并对数据进行可视化的操作。

# data reading
df = pd.read_csv(r'*****\000109.csv', index_col=0, parse_dates=['time'])
print(df)# visualization
plt.figure(figsize=(12, 4))
plt.grid(True)
plt.plot(df['close'])
plt.show()

得到打印的数据和折线图：

3. 数据处理

读取数据之后，就要对数据进行处理，此处主要有两点，第一个是对数据进行归一化操作，第二是将数据集分成训练集和验证集。

对数据进行归一化操作的目的是归纳统一样本的统计分布性，此处将数据归一化到(-1,1)上，是统计的坐标分布。因为神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的，且Sigmoid函数的取值是0到1之间，网络最后一个节点输出也是如此，所以要对样本的输出进行归一化处理。
将数据集分成训练集和验证集，本次数据共有1216组，本次实验将最后的75组数据作为验证集，用以预测并和真实值进行比较。

# divide the dataset into training set and test set
y = df['close'].values.astype(float)
print('y is')
print(y)
test_size = 76
train_set = y[:-test_size]
test_size = y[-test_size:]# normalization
scaler = MinMaxScaler(feature_range=(-1, 1))    # normalize the data into（-1，1）
train_norm = scaler.fit_transform(train_set.reshape(-1, 1))
print(train_norm)# transfer to tensor
train_norm = torch.FloatTensor(train_norm).view(-1)
window_size = 76

此处直接将test_size设置为76，是为了预测2021/11/01的股价。

二、建立CNN模型

时间序列预测有很多方法，如传统的时序建模方法ARIMA、周期因子法、深度学习网络等，本次实验采用最简单的卷积神经网络进行训练。对于用CNN处理时序数据，通常使用一维卷积网络Conv1d；本次实验的结构是：卷积层通过2*2卷积核将一维数据展开为三维张量，使用激活函数ReLU将小于0的数据丢弃，再使用全连接层将三维张量转换为一维张量，最后通过两次Linear线性变换得到最后预测值。

class CNNmodel(nn.Module):def __init__(self):super(CNNmodel, self).__init__()self.conv1d = nn.Conv1d(1, 64, kernel_size=2)self.relu = nn.ReLU(inplace=True)self.Linear1 = nn.Linear(64*75, 50)self.Linear2 = nn.Linear(50, 1)def forward(self, x):x = self.conv1d(x)x = self.relu(x)x = x.view(-1)x = self.Linear1(x)x = self.relu(x)x = self.Linear2(x)return x

三、模型训练

对于训练阶段，本次实验采用MSELoss(均方损失函数)，使用Adam优化器，将训练学习率设置为0.001，训练周期为50（一般像本次实验这么少的数据量，epochs用大概30-50就ok了，epochs设置为100太大了，容易过拟合）

# training
model = CNNmodel()
print(model)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
epochs = 50
model.train()
start_time = time.time()
for epoch in range(epochs):for seq, y_train in train_data:# The gradient is zeroed and initialized before each parameter updateoptimizer.zero_grad()# reshape# convert to conv1d input size（batch size, channel, series length）y_pred = model(seq.reshape(1,1,-1))loss = criterion(y_pred, y_train)loss.backward()optimizer.step()print(f'Epoch: {epoch+1:2} Loss: {loss.item():10.8f}')
print(f'\nDuration: {time.time() - start_time:.0f} seconds')

四、数据预测

众所周知，节假日是不开盘的，当时没想起来，出了点问题，在这边卡了很久hhh。模型训练过后是验证阶段和测试阶段。此处将最后75天的预测股价与真实值进行比较。最后预测出2021/11/01的股价为14298.55013075。

# validating
future = 76
# Select the last 75 values of the sequence to start the prediction
preds = train_norm[-window_size:].tolist()
# set to eval mode
model.eval()
# Each step of the cycle represents sliding back one space in the time series
for i in range(future):seq = torch.FloatTensor(preds[-window_size:])with torch.no_grad():preds.append(model(seq.reshape(1,1,-1)).item())
# Inverse normalization restores the true value
true_predictions = scaler.inverse_transform(np.array(preds[window_size:]).reshape(-1, 1))
# Compare the actual value with the predicted value
plt.figure(figsize=(12,4))
plt.grid(True)
plt.plot(df['close'])
x = np.arange('2021-07-08', '2021-11-02', dtype='datetime64[D]')
index = [2, 3, 9, 10, 16, 17, 23, 24, 30, 31, 37, 38, 44, 45, 51, 52, 58, 59, 65, 66, 72, 73, 74, 75, 79, 80, 85, 86, 87, 88, 89, 90, 91, 93, 94, 100, 101, 107, 108, 114, 115]
x = np.delete(x, index)
print(true_predictions)
print('The predicted stock price of 2021-11-01 is:', true_predictions[-1])
plt.plot(x, true_predictions)
plt.show()

五、总结

从结果来看，使用CNN来处理时间序列数据产生的预测值总体来说还行，但与真实值存在一定出入。对于股票来说，影响股价波动因素繁多，单单从历史股价进行预测未来股价是不足够的，这也符合弱式有效市场假说，即技术分析失败；另一方面，本次实验采用的网络结构较简单，采用更强大的网络进行回归预测任务则会得到更好的效果。

时间序列预测--基于CNN的股价预测相关推荐

基于Informer的股价预测（量化交易综述）
摘要股票市场是金融市场中不可或缺的组成部分.准确预测股票趋势对于投资者和市场参与者具有重要意义,因为它们可以指导投资决策.优化投资组合以及降低金融风险.而且可以提升国家国际地位以及金融风险控制能力, ...
[Kaggle比赛] 高频股价预测小结
高频股价预测文章目录高频股价预测问题描述问题分析数据分析数据集数据清洗解决方案数据预处理归一化 Prices Volume 时间信息对于预测值的处理噪声模型探索基于LSTM ...
Keras深度学习实战——股价预测
Keras深度学习实战--股价预测 0. 前言 1. 股价预测 1.1 数据集介绍 1.2 神经网络模型分析 1.2 使用神经网络进行股价预测 2. 使用函数式 API 2.1 神经网络模型分析 2. ...
【时间序列预测】股价预测零售预测
股价预测.零售时间序列预测 1.什么是时间序列预测时间序列(time series)是一组按照时间发生先后顺序进行排列的数据时间序列(time series forecaing,简称时序预测.预估 ...
[时间序列预测]基于BP、LSTM、CNN-LSTM神经网络算法的单特征用电负荷预测[保姆级手把手教学]
系列文章目录深度学习原理-----线性回归+梯度下降法深度学习原理-----逻辑回归算法深度学习原理-----全连接神经网络深度学习原理-----卷积神经网络深度学习原理-----循环神经网 ...
银行股价预测——基于pytorch框架RNN神经网络
银行股价预测--基于pytorch框架RNN神经网络任务目标数据来源完整代码流程分析 1.导包 2.读入数据并做预处理 3.构建单隐藏层Rnn模型 4.设计超参数,训练模型 5.加载模型,绘图 ...
[时间序列预测]基于BP、RNN、LSTM、CNN-LSTM算法多特征（多影响因素）用电负荷预测[保姆级手把手教学]
系列文章目录深度学习原理-----线性回归+梯度下降法深度学习原理-----逻辑回归算法深度学习原理-----全连接神经网络深度学习原理-----卷积神经网络深度学习原理-----循环神经网 ...
bagging和时间序列预测_时间序列的LSTM模型预测——基于Keras
一.问题背景现实生活中,在一系列时间点上观测数据是司空见惯的活动,在农业.商业.气象军事和医疗等研究领域都包含大量的时间序列数据.时间序列的预测指的是基于序列的历史数据,以及可能对结果产生影 ...
生猪价格matlab,基于时间序列的BP神经网络猪肉价格预测
科技创新 2m6钎第20期I科技创新与应用基于时间序列的BP神经网络猪肉价格预测张津张瑞斌 (成都理工大学管理科学学院,四川成都610059) 摘要:猪肉价格是不稳定的,起伏变化的,猪肉价格的预测 ...
时间序列预测专项——基于Prophet的业务预测
时间序列预测专项基于Prophet的业务预测 1. 趋势模型 1.1 饱和增长模型 1.2 分段线性模型 1.3 变点自动选择 2. 季节模型 3. 节假日模型 4. Prophet模型参数解读 5 ...

时间序列预测--基于CNN的股价预测

一、数据集

1. 数据分析

2. 读取数据

3. 数据处理

二、建立CNN模型

三、模型训练

四、数据预测

五、总结

时间序列预测--基于CNN的股价预测相关推荐

最新文章

热门文章

时间序列预测--基于CNN的股价预测

一、 数据集

1. 数据分析

2. 读取数据

3. 数据处理

二、 建立CNN模型

三、 模型训练

四、 数据预测

五、 总结

时间序列预测--基于CNN的股价预测相关推荐

最新文章

热门文章

一、数据集

二、建立CNN模型

三、模型训练

四、数据预测

五、总结