成都动力无限 网站 差,网站推广的方式包括,有限公司网站建设 中企动力佛山,网站的网页项目介绍
项目基于GRU算法通过20天的股票序列来预测第21天的数据#xff0c;有些项目也可以用LSTM算法#xff0c;两者主要差别如下#xff1a;
LSTM算法#xff1a;目前使用最多的时间序列算法#xff0c;是一种特殊的RNN#xff08;循环神经网络#xff09;#xf…项目介绍
项目基于GRU算法通过20天的股票序列来预测第21天的数据有些项目也可以用LSTM算法两者主要差别如下
LSTM算法目前使用最多的时间序列算法是一种特殊的RNN循环神经网络能够学习长期的依赖关系。主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说就是相比普通的RNNLSTM能够在更长的序列中有更好的表现。GRU算法是一种特殊的RNN。和LSTM一样也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。相比LSTM使用GRU能够达到相当的效果并且相比之下更容易进行训练能够很大程度上提高训练效率因此很多时候会更倾向于使用GRU。
一、准备数据
1、获取数据
通过命令行安装yfinance通过api获取股票数据保存到csv中方便使用
import pandas_datareader.data as web
import datetime
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
plt.rcParams[font.sans-serif]SimHei #图表显示中文import yfinance as yf
yf.pdr_override() #需要调用这个函数# 1、获取股票数据
#上海的股票代码.SS;深圳的股票代码.SZ :
stock web.get_data_yahoo(601318.SS, start2022-01-01, end2023-07-17)
# 保存到csv中
pd.DataFrame(datastock).to_csv(./stock.csv)# 2、获取csv中的数据
features pd.read_csv(stock.csv)
features features.drop(Adj Close,axis1)
features.head()2、数据可视化
通过绘图的方式查看当前的数据情况
# 3、绘图看看收盘价数据情况
closefeatures[Close]
# 计算20天和100天移动平均线
short_rolling_close close.rolling(window20).mean()
long_rolling_close close.rolling(window100).mean()
# 绘制
fig, ax plt.subplots(figsize(16,9)) #画面大小可以修改
ax.plot(close.index, close, label中国平安) #以收盘价为索引值绘图
ax.plot(short_rolling_close.index, short_rolling_close, label20天均线)
ax.plot(long_rolling_close.index, long_rolling_close, label100天均线)
#x轴、y轴及图例
ax.set_xlabel(日期)
ax.set_ylabel(收盘价 (人民币))
ax.legend() #图例
plt.show() #绘图3、数据预处理
取出当前的收盘价删除无用的日期元素
# 4、取出label值
labels features[Close]
time features[Date]
features features.drop(Date,axis1)
features.head()进行数据的归一化
# 5、数据预处理
from sklearn import preprocessing
input_features preprocessing.StandardScaler().fit_transform(features)
input_features4、构建数据序列
由于RNN的算法要求我们要有一定的序列来预测出下一个值所以我们按照20天的数据作为一个序列
# 6、定义序列[下标1-20天预测第21天的收盘价]
from collections import dequex []
y []seq_len 20
deq deque(maxlenseq_len)
for i in input_features:deq.append(list(i))if len(deq) seq_len:x.append(list(deq))x x[:-1] # 取少一个序列因为最后个序列没有答案
y features[Close].values[seq_len: ] #从第二十一天开始下标为20
time time.values[seq_len: ] #从第二十一天开始下标为20x, y, time np.array(x), np.array(y), np.array(time)
print(x.shape)
print(y.shape)
print(time.shape)二、构建模型
1、搭建GRU模型
import tensorflow as tf
from tensorflow.keras import initializers
from tensorflow.keras import regularizers
from tensorflow.keras import layersfrom keras.models import load_model
from keras.models import Sequential
from keras.layers import Dropout
from keras.layers.core import Dense
from keras.optimizers import Adam# 7、搭建模型
model tf.keras.Sequential()
model.add(layers.GRU(8,input_shape(20,5), activationrelu, return_sequencesTrue,kernel_regularizertf.keras.regularizers.l2(0.01)))
model.add(layers.GRU(16, activationrelu, return_sequencesTrue,kernel_regularizertf.keras.regularizers.l2(0.01)))
model.add(layers.GRU(32, activationrelu, return_sequencesFalse,kernel_regularizertf.keras.regularizers.l2(0.01)))
model.add(layers.Dense(16,kernel_initializerrandom_normal,kernel_regularizertf.keras.regularizers.l2(0.01)))
model.add(layers.Dense(1))
model.summary()2、优化器和损失函数
# 优化器和损失函数
model.compile(optimizertf.keras.optimizers.Adam(0.001),losstf.keras.losses.MeanAbsoluteError(), # 标签和预测之间绝对差异的平均metrics tf.keras.losses.MeanSquaredLogarithmicError()) # 计算标签和预测3、开始训练
25%的比例作为验证集75%的比例作为训练集
# 开始训练
model.fit(x,y,validation_split0.25,epochs200,batch_size128)4、模型预测
# 预测
y_pred model.predict(x)
fig plt.figure(figsize(10,5))
axes fig.add_subplot(111)
axes.plot(time,y,b-,labelactual)
# 预测值红色散点
axes.plot(time,y_pred,r--,labelpredict)
axes.set_xticks(time[::50])
axes.set_xticklabels(time[::50],rotation45)plt.legend()
plt.show()5、回归指标评估
from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score
from math import sqrt#回归评价指标
# calculate MSE 均方误差
msemean_squared_error(y,y_pred)
# calculate RMSE 均方根误差
rmse sqrt(mean_squared_error(y, y_pred))
#calculate MAE 平均绝对误差
maemean_absolute_error(y,y_pred)
print(均方误差: %.6f % mse)
print(均方根误差: %.6f % rmse)
print(平均绝对误差: %.6f % mae)源代码
源码查看
