使用LSTM预测股票_lstm股票预测

利用LSTM工具的神经网络算法预测未来一天的股票涨跌

最终测试得分，加大数据量可以提高结果精确度，

##########################导入所需库##########################
import pandas as pd
import numpy as np
from numpy import log
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
#import tensorflow.keras
from sklearn.metrics import r2_score
import random
import matplotlib.pyplot as plt
#############################################################
 
####################设置中文、负号正常显示#####################
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
#############################################################
 
################## 配置文件读写函数库调用封装 ##################
import os
import configparser
def process_config(A, file_name, section_name, key_name, new_value):
    # 获取当前py文件所在的文件夹路径
    current_folder = os.path.dirname(os.path.abspath(__file__))
 
    # 拼接配置文件路径
    config_file_path = os.path.join(current_folder, file_name)
 
    # 创建一个配置文件解析器对象
    config = configparser.ConfigParser()
 
    # 读取配置文件
    config.read(config_file_path)
 
    if A == 'R_value':
        # 获取指定section下的key对应的value
        value = config.get(section_name, key_name)
        return value
    elif A == 'W_value':
        # 修改指定section下的key对应的value
        config.set(section_name, key_name, new_value)
        with open(config_file_path, 'w') as configfile:
            config.write(configfile)
    elif A == 'W_new_section':
        # 添加一个新的section
        config.add_section(section_name)
        with open(config_file_path, 'w') as configfile:
            config.write(configfile)
    elif A == 'W_new_key':
        # 在新的section下添加一个key-value对
        config.set(section_name, key_name, new_value)
        with open(config_file_path, 'w') as configfile:
            config.write(configfile)
    else:
        pass
    # 调用方法：
    # 1. 读取指定section下的key对应的value：`process_config('R_value', 'config.ini', 'section_name', 'key_name', None)`
    # 2. 修改指定section下的key对应的value：`process_config('W_value', 'config.ini', 'section_name', 'key_name', 'new_value')`
    # 3. 添加一个新的section：`process_config('W_new_section', 'config.ini', 'section_name', None, None)`
    # 4. 在新的section下添加一个key-value对：`process_config('W_new_key', 'config.ini', 'section_name', 'key_name', 'new_value')`
##############################################################
 
############# 全局参数，所有要调整的参数都在这里 ###################################
token =  process_config('R_value', 'config.ini', 'section_token', 'tushare_token', None) #在网站tushare注册用户并获取数据的密钥 注册网址：https://tushare.pro/register?reg=641623
ts_code = '603178.SH'      # 股票代码
start_date = '19901101'    # 起始日期
end_date = '20241201'      # 结束日期
dim = 300            # 输出维度数，也是LSTM的网络节点数
epochs = 100         # 训练代数，可以理解为训练次数
days = 30            # 读取多少天的数据作为一次预测。例如读取20天的历史数据来预测未来1天的情况
batch_size = days*1  # 训练批次大小，就是一次性读取多少个样本进行一运算，越大运算速度越快，但是占用内存和显存越多，根据自己的机器性能设置。同时该参数还决定梯度下降算法的下降步长数。
split_ratio = 0.6    #0.9代表选90%作为训练数据，10%测试数据
### 开始构建网络 ###
n_steps = days    # 输入张量的维度数
n_features = 7    # 输入张量的维度
model_2 = Sequential()
# 激活函数用relu
model_2.add(LSTM(dim, activation='relu', input_shape=(n_steps, n_features)))
# 输出层使用全连接层，只要一个输出节点
model_2.add(Dense(1))
# 选择优化器和损失函数，优化器为线性规划算法，损失函数使用的是高维空间测定距离函数
model_2.compile(optimizer='rmsprop', loss='mse')
#################################################################################
 
########  从tushare获取数据 ########
import tushare as ts
# 封装tushare接口
def get_stock_data(ts_code, start_date, end_date):
    pro = ts.pro_api(token)
    df = pro.daily(ts_code=ts_code, start_date=start_date, end_date=end_date)
    return df
 
data = get_stock_data(ts_code, start_date, end_date)
data = data.iloc[::-1]     # dataframe反转，因为接口的第一条数据是最新行情，我们希望最新行情在后面
print(data)
data_ = data[['open', 'close', 'high', 'low','pct_chg','vol']]
data_['日收益率'] = log(data_[['close']]).diff(-1)
data_.dropna(axis=0, inplace=True)
data_.to_csv("123.csv")
print(data_)
 
 
###########  加工数据  ###########
def processData(data, lb):
    X, Y = [], []
    for i in range(len(data) - lb - 1):
        X.append(data[i:(i + lb), 0])
        try:
            Y.append(data[(i + 2 + lb), 0])
        except:
            Y.append(data[(i + lb), 0])
    return np.array(X), np.array(Y)
 
def pData(data, lb):
    X = []
    for i in range(len(data) - lb - 1):
        X.append(data[i:(i + lb)])
    return np.array(X)
##################################
 
close = data_['close']
cl = np.array(close)
max_close = cl.max()   # 数据归一化之前，保存原始数据最大值，恢复元数据时用得到
min_close = cl.min()   # 数据归一化之前，保存原始数据最小值，恢复元数据时用得到
cl = cl.reshape(cl.shape[0], 1)
scl = MinMaxScaler()
sc2 = MinMaxScaler()
cl = scl.fit_transform(cl)
 
# 生成标签
_,y = processData(cl, days)                                        
X = data_.values
plt.plot(X[int(X.shape[0] * 0.90):].reshape(-1,1),label='y_test')   # 假设 X 是一个包含数据的数组，X.shape[0] 表示 X 的长度
# plt.legend() # 显示图例                                            # int(X.shape[0] * 0.90) 表示取 X 中最后 10% 的数据作为绘图数据
plt.show()   # 显示图形                                              # reshape(-1, 1) 将数据转换为列向量形式
X = sc2.fit_transform(X)                                            # label='y_test' 为折线图添加标签
X = pData(X, days)
 
########## （split_ratio）训练数据分割，如0.9代表选90%作为训练数据，10%测试数据  ##########
y_train, y_test = y[:int(y.shape[0] * split_ratio)], y[int(y.shape[0] * split_ratio):]
x_train, x_test = X[:int(X.shape[0] * split_ratio)], X[int(X.shape[0] * split_ratio):]
print("++++++++++++++++++++", type(x_test))
######################################################################################
 
History = model_2.fit(x_train, y_train, batch_size=batch_size, epochs=epochs,validation_data=(x_test, y_test), shuffle=False)
plt.plot(History.history['loss'], label='loss')
plt.plot(History.history['val_loss'], label='val loss')
plt.legend(loc='best')
plt.title('The loss values of real and predict')
#plt.savefig('D:/mojin/self/try/LSTM/result/真实值与预测值的loss值.jpg')
#plt.show()
#####################
 
#####将测试集中的所有切片以序列的方式进行预测，查看预测结果与真实值的拟合情况#####
y_pred = model_2.predict(x_test)
fig = plt.gcf()
plt.figure(figsize=(8, 4))
y_test = y_test.reshape(-1,1)
y_test = np.multiply(y_test, max_close - min_close)
y_test = np.add(y_test, min_close)                        # 还原原来数据归一化之前的数值
y_pred = np.multiply(y_pred, max_close - min_close)
y_pred = np.add(y_pred, min_close)                        # 还原原来数据归一化之前的数值
plt.plot(y_test.reshape(-1,1),label='真实值')
plt.plot(y_pred,label='预测值')
plt.title('Predict of test data')
plt.text(100, 0.4, s='测试集R2：%.3f' % (r2_score(y_test.reshape(-1,1), y_pred)))
plt.legend(loc='best')
print("测试最大值：%.2f " % max_close,"测试最小值：%.2f " % min_close)
plt.show()
############################################################################
 
train_score = np.sqrt(np.mean((model_2.predict(x_train) - y_train) ** 2))
test_score = np.sqrt(np.mean((y_pred - y_test) ** 2))
print('训练得分: %.2f RMSE' % train_score)
print('测试得分: %.2f RMSE' % test_score)
 
 
#########   预测数据   ##############
a = x_test[len(x_test)-1]
Xt = model_2.predict(a.reshape(1, days, n_features))        #预测数据只需要调用这个函数就行， a 的数值可以任意构建
print("预测数据: ")
print(a)
print("预测结果: ", Xt)
# 还原原来数据归一化之前的数值
print("预测归一化之前的数值：", Xt[0][0] * (max_close - min_close) + min_close)

训练结果如下：

该代码参考编写：LSTM预测未来一天股票收盘价_lstm如何得到未来一天数据-CSDN博客