python做股票分析,Python 股票分析

　　本文主要详细介绍如何使用Python和SimpleRNN实现股票预测效果。文中的样例代码讲解的很详细，对我们学习很有帮助，有需要的可以参考一下。

　　00-1010 1、数据来源2、代码实现3、完整的代码原理，请查看之前的文章。

目录

　　SH600519.csv是tushare模块下载的SH600519贵州茅台的日k线数据。在本例中，仅使用其列C数据(如图所示):

　　用连续 60 天的开盘价，预测第 61 天的开盘价。

1、数据源

　　按照六步法：导入相关模块——将贵州茅台的日k线数据读入变量茅台，取变量茅台中前2126天的开盘价作为训练数据，取变量茅台中后300天的开盘价作为测试数据；然后对开盘价进行归一化，使送入神经网络的数据分布在0和1之间；

　　接下来，建立空列表以分别接收训练集输入特征、训练集标签、测试集输入特征和测试集标签；

　　继续构建数据。用for循环遍历整个训练数据，每连续60天的数据作为输入特征x_train，第61天的数据作为对应的标签y_train，共生成2066组训练数据，然后对训练数据的顺序进行置乱并转换成数组格式再转换成RNN输入所需的维数；

　　类似地，使用for循环遍历整个测试数据，总共生成240组测试数据。测试集不需要乱序，但是需要转换成数组格式，然后转换成RNN输入所需的维数。

　　用序列建立神经网络；

　　第一层，循环计算层设置80个内存，每一个时间步将h t h_t ht推至下一层，使用0.2 Dropout；

　　第二个循环计算层有100个set内存，只有最后一个时间步把h t h_t ht推到下一层，用0.2 Dropout；

　　由于输出值是第61天的开盘价，只有一个数，所以全连接密集是1-编译配置训练法。使用adam优化器并使用均方误差损失函数。在股票预测代码中，只需要观察loss，训练迭代打印时只打印loss，所以不需要给metrics赋值-设置断点继续训练，fit执行训练过程-summary打印出网络结构和参数统计。

　　执行损失可视化和参数错误报告。

　　做股票预测。用Predict预测测试集数据，然后将预测值和真实值从归一化值转换为真实值，最后用红线画出真实值曲线，用蓝线画出预测值曲线。

　　为了对模型进行评价，给出了三个评价指标：均方误差、均方根误差和平均绝对误差。这些误差越小，预测值就越接近真实值。

　　Rn股票预测亏损曲线：

　　Rn股票预测曲线3360

　　Rn股票预测评估指数：

　　模型摘要：

2、代码实现

　　将numpy作为np导入

　　将张量流作为tf导入

　　从tensorflow.keras.layers导入Dropout，Dense，SimpleRNN

　　将matplotlib.pyplot作为plt导入

　　导入操作系统

　　进口熊猫作为pd

　　从sklearn .预处理导入MinMaxScaler

　　从sklearn.metrics导入均方

　　d_error, mean_absolute_error

　　import math

　　# 读取股票文件

　　maotai = pd.read_csv(./SH600519.csv)

　　# 前(2426-300=2126)天的开盘价作为训练集,表格从0开始计数，2:3 是提取[2:3)列，前闭后开,故提取出C列开盘价

　　training_set = maotai.iloc[0:2426 - 300, 2:3].values

　　# 后300天的开盘价作为测试集

　　test_set = maotai.iloc[2426 - 300:, 2:3].values

　　# 归一化

　　sc = MinMaxScaler(feature_range=(0, 1)) # 定义归一化：归一化到(0，1)之间

　　training_set_scaled = sc.fit_transform(training_set) # 求得训练集的最大值，最小值这些训练集固有的属性，并在训练集上进行归一化

　　test_set = sc.transform(test_set) # 利用训练集的属性对测试集进行归一化

　　x_train = []

　　y_train = []

　　x_test = []

　　y_test = []

　　# 测试集：csv表格中前2426-300=2126天数据

　　# 利用for循环，遍历整个训练集，提取训练集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建2426-300-60=2066组数据。

　　for i in range(60, len(training_set_scaled)):

　　 x_train.append(training_set_scaled[i - 60:i, 0])

　　 y_train.append(training_set_scaled[i, 0])

　　# 对训练集进行打乱

　　np.random.seed(7)

　　np.random.shuffle(x_train)

　　np.random.seed(7)

　　np.random.shuffle(y_train)

　　tf.random.set_seed(7)

　　# 将训练集由list格式变为array格式

　　x_train, y_train = np.array(x_train), np.array(y_train)

　　# 使x_train符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]。

　　# 此处整个数据集送入，送入样本数为x_train.shape[0]即2066组数据；输入60个开盘价，预测出第61天的开盘价，循环核时间展开步数为60; 每个时间步送入的特征是某一天的开盘价，只有1个数据，故每个时间步输入特征个数为1

　　x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))

　　# 测试集：csv表格中后300天数据

　　# 利用for循环，遍历整个测试集，提取测试集中连续60天的开盘价作为输入特征x_test，第61天的数据作为标签y_test，for循环共构建300-60=240组数据。

　　for i in range(60, len(test_set)):

　　 x_test.append(test_set[i - 60:i, 0])

　　 y_test.append(test_set[i, 0])

　　# 测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]

　　x_test, y_test = np.array(x_test), np.array(y_test)

　　x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))

　　model = tf.keras.Sequential([

　　 SimpleRNN(80, return_sequences=True),# 第一层循环计算层：记忆体设定80个，每个时间步推送ht给下一层

　　 Dropout(0.2), #使用0.2的Dropout

　　 SimpleRNN(100),# 第二层循环计算层，设定记忆体100个

　　 Dropout(0.2), #

　　 Dense(1) # 由于输出值是第61天的开盘价，只有一个数，所以Dense是1

　　])

　　model.compile(optimizer=tf.keras.optimizers.Adam(0.001),

　　 loss=mean_squared_error) # 损失函数用均方误差

　　# 该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值

　　checkpoint_save_path = "./checkpoint/rnn_stock.ckpt"

　　if os.path.exists(checkpoint_save_path + .index):

　　 print(-------------load the model-----------------)

　　 model.load_weights(checkpoint_save_path)

　　cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,

　　 save_weights_only=True,

　　 save_best_only=True,

　　 monitor=val_loss)

　　history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1,

　　 callbacks=[cp_callback])

　　model.summary()

　　file = open(./weights.txt, w) # 参数提取

　　for v in model.trainable_variables:

　　 file.write(str(v.name) + \n)

　　 file.write(str(v.shape) + \n)

　　 file.write(str(v.numpy()) + \n)

　　file.close()

　　loss = history.history[loss]

　　val_loss = history.history[val_loss]

　　plt.plot(loss, label=Training Loss)

　　plt.plot(val_loss, label=Validation Loss)

　　plt.title(Training and Validation Loss)

　　plt.legend()

　　plt.show()

　　################## predict ######################

　　# 测试集输入模型进行预测

　　predicted_stock_price = model.predict(x_test)

　　# 对预测数据还原---从（0，1）反归一化到原始范围

　　predicted_stock_price = sc.inverse_transform(predicted_stock_price)

　　# 对真实数据还原---从（0，1）反归一化到原始范围

　　real_stock_price = sc.inverse_transform(test_set[60:])

　　# 画出真实数据和预测数据的对比曲线

　　plt.plot(real_stock_price, color=red, label=MaoTai Stock Price)

　　plt.plot(predicted_stock_price, color=blue, label=Predicted MaoTai Stock Price)

　　plt.title(MaoTai Stock Price Prediction)

　　plt.xlabel(Time)

　　plt.ylabel(MaoTai Stock Price)

　　plt.legend()

　　plt.show()

　　##########evaluate##############

　　# calculate MSE 均方误差 ---> E[(预测值-真实值)^2] (预测值减真实值求平方后求均值)

　　mse = mean_squared_error(predicted_stock_price, real_stock_price)

　　# calculate RMSE 均方根误差--->sqrt[MSE] (对均方误差开方)

　　rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))

　　# calculate MAE 平均绝对误差----->E[预测值-真实值](预测值减真实值求绝对值后求均值）

　　mae = mean_absolute_error(predicted_stock_price, real_stock_price)

　　print(均方误差: %.6f % mse)

　　print(均方根误差: %.6f % rmse)

　　print(平均绝对误差: %.6f % mae)

　　以上就是Python+SimpleRNN实现股票预测详解的详细内容，更多关于Python SimpleRNN股票预测的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。