【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

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

服务器集群同步时间手记

1.时间服务器配置(必须root用户) (1)检查ntp是否安装 [root@node1 桌面]# rpm -qa|grep ntpntp-4.2.6p5-10.el6.centos.x86_64fontpackages-filesystem-1.41-1.1.el6.noarchntpdate-4.2.6p5-10.el6.centos.x86_64 (2)修改ntp配置文件 [r

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

uva 10131 最长子序列

题意: 给大象的体重和智商,求体重按从大到小,智商从高到低的最长子序列,并输出路径。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#include <stack>#include <vect

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识