使用Pytorch实现简单的LSTM股票预测框架_lstm 数值预测 pytorch 知乎

1.数据获取

使用TuShare获取数据（需要在tushare网站申请账号，获取token号）

取1-4月数据作为训练集，5月数据作为测试集（测试集数据提取代码同训练集）

ts.set_token('208cf0f7e03acf9024568071ab959d8cf3d1908385a7009906dc66d5') 
pro = ts.pro_api()
 
time_temp = datetime.datetime.now() - datetime.timedelta(days=1)
end_dt = time_temp.strftime('%Y%m%d')
 
#准备训练集数据
 
df = ts.pro_bar(ts_code='603912.SH', start_date='20210101', end_date='20210501', freq='D')
df.head() #用 df.head() 可以查看一下下载下来的股票价格数据，显示数据如下：
 
#把数据按时间调转顺序，最新的放后面
df = df.iloc[::-1]
df.reset_index(inplace=True)
# print(df)
 
training_set = df.loc[:, ['close']]
#只取价格数据，不要表头等内容
training_set = training_set.values
#数据归一化
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)
# print(training_set_scaled)
 
X_train = []
y_train = []
devia=10
for i in range(devia, len(training_set_scaled)):
    X_train.append(training_set_scaled[i-devia:i])
    y_train.append(training_set_scaled[i, training_set_scaled.shape[1] - 1])
    
X_train, y_train = np.array(X_train), np.array(y_train)
print(X_train.shape)
print(y_train.shape)

2.构建简单LSTM模型

---

• 原理部分

参考博客：人人都能看懂的LSTM - 知乎 (zhihu.com)

                LSTM细节分析理解（pytorch版） - 知乎 (zhihu.com)

容易出现问题的地方是LSTM的输入和输出以及他们之间的关系，下面借这张图来说明一下：

我们要做的是通过对被预测序列（在此为时序序列）的学习 ，来预测该序列后面最新一天的数值。

输入即被预测序列，输入大小为batch_size*seq_len*input_size（每个时序的特征数量）——具体介绍可以看pytorch的官方文档（见下文代码部分）

我们要获取的输出是最新一天的数据，大小为batch_size*1。

明白了这些之后我们来看lstm网络的结构（下图），input和output已经清楚了，假设input的时间序列长度为t，每个时间对应的数据都进入一个蓝色方块，这样的蓝色方块一共有n层，是lstm的隐藏层。然后我们再横着看，在每一层蓝色方块中，左边的蓝色方块的值会作用于右边的蓝色方块，也就是前一天的数据对后面的数据造成的影响。

这样最右上角蓝色方块（t,n)的输出，就经历了所有隐藏层的输出，也经历了所有之前时间序列的作用，就是我们想得到的预测值。

---

• 代码部分

API文档：LSTM — PyTorch 1.9.0 documentation

将LSTM模型构建为一个类，需要初始化init()函数和forward()函数。

class LSTMNET(nn.Module):
    def __init__(self, input_size=1, hidden_layer_size=160, output_size=1,num_layers=8):
        super(LSTMNET,self).__init__()
        self.lstm_layer=nn.LSTM(input_size, hidden_layer_size, num_layers, batch_first=True) 
        self.out_layer1 = nn.Linear(hidden_layer_size,output_size,bias=True)
        self.out_layer2 = nn.Linear(num_layers,output_size,bias=True)
 
    def forward(self,share):
        out,(h,c)=self.lstm_layer(share.to(torch.float32))
        out=h
        a,b,c=out.shape
        out=out.reshape(b,a)
        out=self.out_layer2(out)
        return out

3.训练模型

采用RMSE（均方根误差）作为损失函数对模型进行优化

for i in range(epochs):
    for shares, labels in train_loader:
        train = Variable(shares, requires_grad=True)
        labels = Variable(labels, requires_grad=True)
        outputs= model(train)
 
        loss_mse = loss_MSE(outputs.float(), labels.float())
        loss_rmse = torch.sqrt(loss_mse)
        loss_mae = loss_MAE(outputs.float(), labels.float())
        
        optimizer.zero_grad()
        loss_rmse.backward()
        optimizer.step()
        
        count=count+1
        if count%100==0:
            rmse.append(loss_rmse.data)
            mae.append(loss_mae.data)
        
        if i==epochs*bs-1:
            a,_=outputs.shape
            for j in range(a):
                pred.append(outputs[j])
                actl.append(labels[j])
 
    print("epoch:{}    Train:  RMSE:{:.8f}  MAE:{:.8f} ".format(i, loss_rmse.data, loss_mae.data))

 4.画图

画出原始股票价格和预测股票价格的对比图像，同时绘制损失函数在训练过程中的图像

plt.figure()
plt.plot(pred,"r-")
plt.plot(actl,"b-")
 
plt.figure()
plt.plot(rmse,"r-")
plt.plot(mae,"b--")

预测结果： 

 

 完整代码：（将在项目结束后公开，敬请期待）