神经网络预测股价python talib_GitHub - wormhole/stock: 基于循环神经网络预测股价（开盘，收盘，最高，最低）...
基于循环神经网络预测股价
一、数据获取
1.1 训练过程中所有的股票日K数据均来自tushare
import tushare
pro = ts.pro_api(token)
df = pro.daily(ts_code, start_date, end_date)
df.to_csv(filename)
二、 数据预处理
2.1 获取到的数据格式如图所示
2.2 特征选取
我选取了股票交易数据中几个有用的特征
特征
说明
open
开盘价
high
最高价
low
最低价
close
收盘价
pre_close
昨日收盘价
chagne
涨跌额
pct_chg
涨跌幅
vol
成交量(手)
amount
成交额(千元)
2.3 数据标准化或归一化
去除特征量纲，加速模型收敛，这里采用标准化处理。
2.4 生成时间序列
这里选取30天为一个时间序列，来预估低31天的开盘价、收盘价、最高价和最低价
def series_data(df, n):
"""
将数据组装成时间序列
:param df: DataFrame对像
:param n: 时间序列长度
:return: data, label 数据和标签的numpy数组对象
"""
data = []
label = []
for i in range(len(df) - n):
d = df[i:n + i].values
l = df[n + i:n + i + 1][["open", "high", "low", "close"]].values
data.append(d)
label.append(l)
return np.array(data), np.array(label)
三、神经网络结构
3.1 简单起见，这里采用一层循环的LSTM + 全连接的输出层。
3.2 神经网络定义
class RNN(torch.nn.Module):
def __init__(self, input_size):
"""
循环神经网络实现，采用LSTM
:param input_size: 输入的特征维度
"""
super(RNN, self).__init__()
self.rnn = torch.nn.LSTM(
input_size=input_size,
hidden_size=64,
num_layers=1,
batch_first=True
)
self.out = torch.nn.Sequential(
torch.nn.Linear(64, 4)
)
def forward(self, x):
"""
前向传播
:param x: 输入数据
:return:
"""
r_out, (h_n, h_c) = self.rnn(x, None)
out = self.out(r_out)
return out
3.3 输入输出维度
输入
格式：(batch_size, series_length, input_dim)
实际取值
维度
说明
大小
batch_size
批大小
10
series_length
序列长度
30
input_dim
特征维度
9
输出
格式：(batch_size, series_length, output_dim)
实际取值
维度
说明
大小
batch_size
批大小
10
series_length
序列长度
30
output_dim
输出维度
4
实际取最后一个序列的输出与label进行损失计算
四、训练网络
略
五、验证
选取最高价的局部大图看一下
可以看到不管是训练集还是测试集都拟合完美，具体效果如何等待验证，个人感觉中长线趋势还是挺准的，短线偶尔也有一定的误差。