【深度学习】基于LSTM时间序列的股票价格预测

2024-02-23 11:40

本文主要是介绍【深度学习】基于LSTM时间序列的股票价格预测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

【参考:python深度学习之基于LSTM时间序列的股票价格预测_柳小葱的博客-CSDN博客】

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

导入数据

在这里插入图片描述

data=pd.read_csv("zgpa_train.csv")
df=pd.DataFrame(data,columns=['date','close']) #只取日期和收盘价两列

在这里插入图片描述

数据标准化

在这里插入图片描述

from sklearn.preprocessing import StandardScalerst=StandardScaler()dataset_st=st.fit_transform(X=dataset.reshape(-1,1)) # shape (n_samples, n_features)

在这里插入图片描述

划分训练集和测试集

train_size=int(len(dataset_st)*0.7)
test_size=int(len(dataset_st))-train_size

在这里插入图片描述

train,test=dataset_st[0:train_size],dataset_st[train_size:]

在这里插入图片描述

创建时间序列数据样本

def data_set(dataset,lookback):""":param dataset: ndarray:param lookback: 单个序列的长度:return:"""dataX,dataY=[],[]for i in range(0,len(dataset)-lookback-1):temp=dataset[i: i+lookback ] # 前 lookback步dataX.append(temp)dataY.append(dataset[i+lookback])# 第 lookback步return np.array(dataX),np.array(dataY)
lookback=2
trainX,trainY=data_set(train,lookback)
testX,testY=data_set(test,lookback)

在这里插入图片描述

建立LSTM模型

from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout, GRU
from tensorflow.keras.optimizers import SGD # 可以忽略警告错误model = Sequential()
# LSTM 第一层
model.add(LSTM(128, return_sequences=True, # 是返回输出序列中的最后一个输出,还是全部序列True。input_shape=(trainX.shape[1], 1))) # (sequence_length, features)
model.add(Dropout(0.2))# LSTM 第二层
model.add(LSTM(128, return_sequences=True))
model.add(Dropout(0.2))# LSTM 第三层
model.add(LSTM(128))
model.add(Dropout(0.2))# Dense层
model.add(Dense(units=1))# 模型编译
model.compile(optimizer='rmsprop', loss='mse')# 模型训练
model.fit(trainX, trainY, epochs=20, batch_size=32)

做出预测

pred_st=model.predict(testX)

在这里插入图片描述

pred=st.inverse_transform(pred_st) # 进行反归一化

在这里插入图片描述

testY2=st.inverse_transform(testY) # 进行反归一化 因为前面进行了归一化
def plot_predictions(test_result, predict_restult):"""test_result: 真实值predict_result: 预测值"""plt.plot(test_result, color='red', label='test')plt.plot(predict_restult, color='blue', label="prdict")plt.xlabel("Time")plt.ylabel("Close Price")plt.legend() # 给图加上图例plt.show()
plot_predictions(testY2,pred) # 画出图像

在这里插入图片描述

这篇关于【深度学习】基于LSTM时间序列的股票价格预测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/738512

相关文章

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

C++从序列容器中删除元素的四种方法

《C++从序列容器中删除元素的四种方法》删除元素的方法在序列容器和关联容器之间是非常不同的,在序列容器中,vector和string是最常用的,但这里也会介绍deque和list以供全面了解,尽管在一... 目录一、简介二、移除给定位置的元素三、移除与某个值相等的元素3.1、序列容器vector、deque

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

Python如何获取域名的SSL证书信息和到期时间

《Python如何获取域名的SSL证书信息和到期时间》在当今互联网时代,SSL证书的重要性不言而喻,它不仅为用户提供了安全的连接,还能提高网站的搜索引擎排名,那我们怎么才能通过Python获取域名的S... 目录了解SSL证书的基本概念使用python库来抓取SSL证书信息安装必要的库编写获取SSL证书信息

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR