基于Web的股票预测系统实现代码详解(yfinance数据包下采用LSTM进行预测未来一段时间）

目录

yfinance包

LSTM进行预测

获取指定股票数据：

建模进行预测：

建立股票预测系统

结束：

yfinance包

import yfinance 

yfinance旨在通过提供一种可靠的、线程化的(threaded)、Pythonic的方式从Yahoo! finance下载历史市场数据。该库最初命名为fix-yahoo-finance，但后来作者将其重命名为yfinance。

Ticker()模块可以使我们能以一种更安全更Pythonic的方式获取金融市场数据，使用方法如下：

import yfinance as yf
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
msft = yf.Ticker("MSFT")
print(msft)
msft.info
msft.history(period="max")
# show actions (dividends, splits)
msft.actions
msft.dividends
msft.splits

LSTM进行预测

获取指定股票数据：

	def fetch_stock_data(se, stock_symbol):
		"""fetch stock data"""
		from pandas_datareader import data as pdr
		import yfinance as yf
		yf.pdr_override()
		if se == 'NSE': stock_symbol += ".NS" 
		return pdr.get_data_yahoo(stock_symbol, period="5y")

建模进行预测：

from sklearn.preprocessing import MinMaxScaler
	from keras.models import Sequential
	from keras.layers import Dense, Dropout, LSTM

	og_df = fetch_stock_data(se, stock_symbol)
	todataframe = og_df.reset_index(inplace=False)

	print("\n<----------------------数据集的信息---------------------->")
	print(todataframe.info())
	print("<-------------------------------------------------------------------->\n")

	#dataframe creation
	seriesdata = todataframe.sort_index(ascending=True, axis=0)
	new_seriesdata = pd.DataFrame(index=range(0,len(todataframe)),columns=['Date','Close'])
	for i in range(0,len(seriesdata)):
	    new_seriesdata['Date'][i] = seriesdata['Date'][i]
	    new_seriesdata['Close'][i] = seriesdata['Close'][i]
	#setting the index again
	new_seriesdata.index = new_seriesdata.Date
	new_seriesdata.drop('Date', axis=1, inplace=True)
	#creating train and test sets this comprises the entire data’s present in the dataset
	myseriesdataset = new_seriesdata.values
	totrain = myseriesdataset
	#converting dataset into x_train and y_train
	scalerdata = MinMaxScaler(feature_range=(0, 1))
	scale_data = scalerdata.fit_transform(myseriesdataset)
	x_totrain, y_totrain = [], []
	length_of_totrain=len(totrain)
	for i in range(60,length_of_totrain):
	    x_totrain.append(scale_data[i-60:i,0])
	    y_totrain.append(scale_data[i,0])
	x_totrain, y_totrain = np.array(x_totrain), np.array(y_totrain)
	x_totrain = np.reshape(x_totrain, (x_totrain.shape[0],x_totrain.shape[1],1))
	#LSTM neural network
	lstm_model = Sequential()
	lstm_model.add(LSTM(units=50, return_sequences=True, input_shape=(x_totrain.shape[1],1)))
	lstm_model.add(LSTM(units=50))
	lstm_model.add(Dense(1))
	lstm_model.compile(loss='mean_squared_error', optimizer='adadelta')
	lstm_model.fit(x_totrain, y_totrain, epochs=3, batch_size=1, verbose=2)
	#predicting next data stock price
	myinputs = new_seriesdata[len(new_seriesdata) - (100) - 60:].values
	myinputs = myinputs.reshape(-1,1)
	myinputs  = scalerdata.transform(myinputs)
	tostore_test_result = []
	for i in range(60,myinputs.shape[0]):
	    tostore_test_result.append(myinputs[i-60:i,0])
	tostore_test_result = np.array(tostore_test_result)
	tostore_test_result = np.reshape(tostore_test_result,(tostore_test_result.shape[0],tostore_test_result.shape[1],1))
	myclosing_priceresult = lstm_model.predict(tostore_test_result)
	myclosing_priceresult = scalerdata.inverse_transform(myclosing_priceresult)

	#Combining og and predicted dataset for end result.
	datelist = pd.date_range(pd.datetime.now().date(), periods=101)[1:]
	predicted_df = pd.DataFrame(myclosing_priceresult, columns=['Close'], index=datelist)
	result_df = pd.concat([og_df, predicted_df])[['Close']]
	result_df = result_df.reset_index(inplace=False)
	result_df.columns = ['Date', 'Close']

	#to print the info of the END RESULT dataset
	print("\n<----------------------预测数据结果---------------------->")
	print(result_df.info())
	print("<------------------------------------------------------------------------>\n")

建立股票预测系统

在系统首页，读取市场观察数据，此方式采用TradingView官网给出的代码进行实现。其JavaScript代码如下：

  

  
AAPL图表由TradingView提供
  
  

运行依赖环境：

python 3.6.x；django；pandas ；numpy ；tensorflow-cpu;keras 等
最后，采用django框架实现加载LSTM算法模型实现股票的预测。界面如下：

进入预测页面：

例如输入苹果公司股票进行预测 ：

需要等待一段时间，因为系统会调用后端神经网络进行训练所获取的历史数据，获取的数据为苹果公司最近一段时间的开盘价、最高价、最低价、成交量等；设定的训练次数为3次，然后进行再预测。

 预测界面如下：

可以查看进一个月，三个月等。当然时间越长预测的越不准确。

 查看往后6个月的股票市场价格，此为gif动图，可查看相关操作：

结束：

此是深度学习项目的简单应用，练习和使用LSTM神经网络进行股票价格预测，LSTM模型具有较好的投资收益和较强的抗风险能力。如何进行股票的未来N天的价格预测。这就需要构造相应的输入输出样本，以训练模型。相关构造方法在本博客前几篇文章都有概述和源码讲解，项目完整源码加Q525894654。最后，采用django框架加载LSTM模型使其应用于具体应用，是将深度学习算法应用于生活的进一步探索。