Python实现基于LSTM对股票走势的预测

﹏ヽ暗。殇╰゛Y 2024-02-21 09:45 19阅读 0赞

❖目录  
❖摘要 3  
一、问题描述 3  
┊  
1.1 绪论 3  
┊  
❖1.2 当前股票预测的方法概述 4  
❖1.3 本文所使用的模型 5  
❖二、数据集说明 5  
❖2.1 tushare 库和 Talib 库概要 5  
❖2.2 获取历史行情数据 6  
装 2.3 实现代码： 7  
❖2.4 数据预处理 9  
❖2.5 设计代码 10  
┊  
2.6股票预测使用数据说明 11  
┊  
2.7特征工程处理 14  
┊  
订 2.8 输出数据说明 16  
❖三、LSTM 模型 16  
❖3.1 LSTM 模型概要 16  
❖3.2 股票预测模型特征分析 17  
❖3.3 本文所使用的 LSTM 结构 18  
❖3.4 本次实验所采用的结构图 19  
线 四、实验流程和结果 19  
❖4.1 数据获取 19  
❖4.2 Pytorch 工具集概要 19  
❖4.3 Pytorch 指令解析 19  
┊  
4.4搭建 LSTM 预测模型 21  
┊  
4.5拟合结果评估方法概要 21  
┊  
❖4.6 项目附件说明 24  
❖4.7 项目使用说明书 24  
❖摘要  
┊  
❖为对股票价格的涨跌幅度进行预测，本文使用了基于长短期记忆网络(LSTM)的方法。根  
❖据股票涨跌幅问题， 通过对股票信息作多值量化分类，将股票预测转化成一个多维函数拟  
❖合问题。将股票的历史基本交易信息作为特征输入，利用神经网络对其训练，最后对股票的  
❖涨跌幅度做分类预测。数据集为代号 510050 的上证股票，实验结果表明该模型在单纯预测  
❖涨跌的情况下有比较好的预测效果。  
┊  
❖一、问题描述  
装  
┊  
1.1 绪论  
┊  
❖随着我国经济的快速发展，政府、投资机构以及投资者们对股票预测的需求也越来越多。  
❖因此， 对股票价格走势的分析成为越来越多研究者关注的课题。但股票价格高度的波动性  
❖与不确定性，使其成 为计算机领域和金融领域的一大难题。  
订 由于股票本身的波动性和不确定性，其价格是否可以被预测这一议题一直存在着不少争  
┊  
议。在 1956 年，Fama 提出了“有效市场假说”，指出股票的价格可以立即充分地反映市场  
┊  
上所有的已知信息，以及那些尚未发生但市场预期会发生的事件对股票价格的影响。这一假  
┊  
❖说为之后的股票预测工作提供了依据。  
❖股票投资通常会选择某一类或某一只股票来作为投资对象，对这一类或一只股票进行预线 测，既可以将整体的股票交易信息作为训练数据，也可以只选择该类或该只股票的交易信息  
❖作为训练数据。模型有决策树、LR、支持向量机等传统机器学习的方法，也有深度学习的方  
❖法。一种最常见的股票预测方法是自回归模型，然而此类模型通常用于处理线性的稳定数据，  
┊  
用于处理股价存在着一定的局限性。因此也有人使用非线性模型如支持向量机、马尔可夫模  
┊  
型等，用以处理股票的非线性特征。  
┊  
❖考虑到股票数据的时序性，本文选择用对时序序列有较好性能的 LSTM 网络分别对其训  
❖练，将训练好的模型用于预测次日收盘价的涨跌幅， 并对结果做对比分析。  
┊

from torch.autograd import Variable
    import torch.nn as nn
    import torch
    from LSTMModel import lstm
    from parser_my import args
    from dataset import getData
    
    def train():
    
        model = lstm(input_size=args.input_size, hidden_size=args.hidden_size, num_layers=args.layers , output_size=1, dropout=args.dropout, batch_first=args.batch_first )
        model.to(args.device)
        criterion = nn.MSELoss()  # 定义损失函数
        optimizer = torch.optim.Adam(model.parameters(), lr=args.lr)  # Adam梯度下降  学习率=0.001
    
        close_max, close_min, train_loader, test_loader = getData(args.corpusFile,args.sequence_length,args.batch_size )
        for i in range(args.epochs):
            total_loss = 0
            for idx, (data, label) in enumerate(train_loader):
                if args.useGPU:
                    data1 = data.squeeze(1).cuda()
                    pred = model(Variable(data1).cuda())
                    # print(pred.shape)
                    pred = pred[1,:,:]
                    label = label.unsqueeze(1).cuda()
                    # print(label.shape)
                else:
                    data1 = data.squeeze(1)
                    pred = model(Variable(data1))
                    pred = pred[1, :, :]
                    label = label.unsqueeze(1)
                loss = criterion(pred, label)
                optimizer.zero_grad()
                loss.backward()
                optimizer.step()
                total_loss += loss.item()
            print(total_loss)
            if i % 10 == 0:
                # torch.save(model, args.save_file)
                torch.save({'state_dict': model.state_dict()}, args.save_file)
                print('第%d epoch，保存模型' % i)
        # torch.save(model, args.save_file)
        torch.save({'state_dict': model.state_dict()}, args.save_file)
    
    train()

![在这里插入图片描述][9ca819efed1a4082b3b744ffa41fab68.png_pic_center]  
![在这里插入图片描述][f69b7e3beadd4710ab44358fa3135aa3.png_pic_center]  
![在这里插入图片描述][7ba0179d74be4f9ea0a10a17e7f0f6f8.png_pic_center]  
![在这里插入图片描述][1faa04ff35a5469c9184583358fe133a.png_pic_center]  
![在这里插入图片描述][decdada372264186a7e4e0498096c138.png_pic_center]  
![在这里插入图片描述][bb29d67e0d0f4df9a0af0f5365b0eb8f.png_pic_center]  
![在这里插入图片描述][c12f40e1ae7f476d8ed2cdbefe024839.png_pic_center]  
![在这里插入图片描述][9bd26fbad57e4774a9cb2df8d08e57cd.png_pic_center]  
![在这里插入图片描述][98085af26c1a4f2c81b26450e5de0506.png_pic_center]  
![在这里插入图片描述][21a1780b99f542498b52786ba2211f33.png_pic_center]  
![在这里插入图片描述][9f420f0537234a37afc7aa6d37f9d067.png_pic_center]  
![在这里插入图片描述][22f4013993a24fdba1b97d353bab4d59.png_pic_center]  
![在这里插入图片描述][06e260638734493dace0efe9f9fa8ecb.png_pic_center]  
![在这里插入图片描述][6b8b52dc49364117ac94b2043a6e8155.png_pic_center]  
![在这里插入图片描述][02bfb0cac0584349a4a58960fbf26106.png_pic_center]  
![在这里插入图片描述][a084c8ae18b84291a2dac0f0e101ed31.png_pic_center]  
![在这里插入图片描述][605198e73eb342c385b54159378118df.png_pic_center]

[9ca819efed1a4082b3b744ffa41fab68.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/4f18b00c82d94a40a55bc0963ef21c0f.png
[f69b7e3beadd4710ab44358fa3135aa3.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/0511dbd4bf79406cb7bb335d45599de6.png
[7ba0179d74be4f9ea0a10a17e7f0f6f8.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/478b6c42139a4e1ea7a5ea74524724f8.png
[1faa04ff35a5469c9184583358fe133a.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/f1f51ec438d44e1d9621bdeaa424f96f.png
[decdada372264186a7e4e0498096c138.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/1e26f2ea161f49c396ad278551ad5a4b.png
[bb29d67e0d0f4df9a0af0f5365b0eb8f.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/d4d674aff1f943499221aa21b9acfd29.png
[c12f40e1ae7f476d8ed2cdbefe024839.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/3ec6038166484b4f98b3bbd0795ab18d.png
[9bd26fbad57e4774a9cb2df8d08e57cd.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/12e23cd7cc7b450eb70e405c4a06c5ab.png
[98085af26c1a4f2c81b26450e5de0506.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/113716f8534545cfa87088b2b3713509.png
[21a1780b99f542498b52786ba2211f33.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/58f7e1329ed9461481e65496268964a8.png
[9f420f0537234a37afc7aa6d37f9d067.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/d02d683d66754fc1b6c3146addaaea7d.png
[22f4013993a24fdba1b97d353bab4d59.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/a0224327cf224d86a6412be9b4a457e5.png
[06e260638734493dace0efe9f9fa8ecb.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/dcf209479cd4497b8bb36991032cd152.png
[6b8b52dc49364117ac94b2043a6e8155.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/95f266688b9e4c598f65b4e405cf365e.png
[02bfb0cac0584349a4a58960fbf26106.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/df6a8975398e440bb7258621fdd57498.png
[a084c8ae18b84291a2dac0f0e101ed31.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/fad7c3efa8b848dabaa9e06bc29fd140.png
[605198e73eb342c385b54159378118df.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/21/c7bdaf2828a94637bc86cd079913e956.png