【小白也可做】基于1DCNN的单特征输入的股票预测项目实战（pytorch）（单特征）——仅用于课程和编程学习，不作为任何金融推荐！！！！_1dcnn pytorch

一、项目简介

股票预测是金融领域中的重要问题，通过对历史股票数据的分析和建模，我们可以尝试预测未来股票的价格趋势，为投资决策提供参考。本项目是基于PyTorch深度学习框架实现一个使用1D卷积神经网络（1DCNN）来进行股票预测的项目，该网络可以有效地处理时间序列数据，通过卷积层和提取输入序列中的特征，并通过全连接层进行预测。网络的输入是历史股票收盘价（单特征），输出是预测的股票价格。【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】

二、实验数据集

实验采用的是深沪300数据集sh300.csv（后文有源码和数据集获取方式），这是公开的数据集，百度一下应该也可以找得到，数据集展示如下（所展示的数据是本人删掉某些列的数据），实验只使用了红框中的收盘价作为输入特征进行预测。

数据划分：以滑窗的方式进行数据划分，滑窗大小为20，输入特征为1，每次滑窗的第21天为预测的标签值。

三、实验环境

平台：Window 11

语言：python3.9

编译器：Pycharm

框架：Pytorch:1.13.1

四、实验内容及部分代码展示

1、model_1DCNN.py 模型构建

model.py定义了项目用到的网络模型，本项目用到的模型是三层的一维卷积网络，使用relu激活，最后使用两层全连接层输出预测结果。

 输入为20个数，每层网络的输出结果为：

2、train.py 训练通用模板

训练过程集成到fit函数里面，是项目训练过程的通用代码，其他项目也可以在它的基础上修改后使用。

 3、Config.py 参数定义

config类中定义了项目所有需要的参数，可以在里面修改训练参数。

 4、DataSplit.py 数据划分

 DataSplit.py 是实现数据划分的函数，通过滑动窗口，将每个窗口大小的数据作为训练数据，将其后面一个数据作为预测结果，再进行划分训练数据和标签，最后分成训练集和验证集。

 5、test_stock_1DCNN_run.py 训练文件

该py文件实现整体训练流程并做绘图操作。依次实现加载数据、数据标准化、取出WIND数据、划分训练集测试集、数据转化为Tensor、形成数据更迭器、载入模型、定义损失、定义优化器、开始训练、损失可视化、显示预测结果。

6、test_pth.py 模型训练后的测试文件

采用模型训练完成后的pth对数据进行预测，可以展示模型预测效果，前面的处理过程类似test_wind_CNN.py所示。

7、loss_draw.py 模型训练后的测试文件

将训练产生并收集的loss.csv展示出来，也就是损失图，红框可调展示范围。 

 五、实验结果及分析

1、loss损失图

该损失是训练了200个epoch的损失图：

 纵坐标局部范围展示（0-0.0002）：

部分损失数据展示：

2、预测效果展示

训练epoch=200后的股票收盘价预测效果如下（使用pth文件进行预测）：

 局部展示（展示前两百天的预测效果）：

 六、总结及资源

若有朋友需要可运行的源码和数据集，可以guan注【科研小条】gong众号，回复【股票预测1dcnn】，即可获得。