【RNN實(shí)戰(zhàn)進(jìn)階】手把手教你如何預(yù)測當(dāng)天股票的最高點(diǎn)

摘要

在頭條上有很多人做股市的分析，分析每天大盤的漲跌，我觀察了幾位，預(yù)測的都不理想，我一直想著用AI去預(yù)測大盤的漲跌。股市數(shù)據(jù)是個(gè)時(shí)間序列數(shù)據(jù)，用RNN再合適不過了，今天我用GRU手把手教大家實(shí)現(xiàn)這一算法。

免責(zé)聲明

算法的結(jié)果不能作為投資的依據(jù)！！！如果你根據(jù)算法的結(jié)果去投資，賠錢別找我啊！

獲取原始數(shù)據(jù)

網(wǎng)站的地址：http://quotes.money.163.com/trade/lsjysj_zhishu_000001.html

在這上面能找到大盤額歷史數(shù)據(jù)，我們選擇所有的數(shù)據(jù)下載下來即可。

下載方法如下圖：

點(diǎn)擊下載數(shù)據(jù)，默認(rèn)選擇全部數(shù)據(jù)，然后下載即可。

制作訓(xùn)練用的數(shù)據(jù)

原始的數(shù)據(jù)不能直接拿來使用，我們需要構(gòu)建時(shí)序數(shù)據(jù)。我的想法是用前n-1天的數(shù)據(jù)來預(yù)測n天的最高點(diǎn)或者收盤價(jià)。所以前n-1天的數(shù)據(jù)組成x，當(dāng)天的最高點(diǎn)就是y。

制作數(shù)據(jù)的具體思路：

第一步 讀入數(shù)據(jù)，把幾個(gè)“None”替換為0，格式化日期，由于下載的數(shù)據(jù)默認(rèn)是按照日期的倒序，所以對(duì)日期做升序排列。

第二步 刪除“股票代碼”、“名稱”和日期列。

第三步 定義時(shí)序的長度n，n代表用多少天的數(shù)據(jù)。定義列名cols，類型是list，定義data，存放時(shí)序數(shù)據(jù)。

第四步 循壞df，讀取數(shù)據(jù)，構(gòu)建時(shí)序數(shù)據(jù)然后存放到data中，這個(gè)過程比較慢，不知道有沒有快捷的方式，如果有，還請(qǐng)指教。

第五步 保存data數(shù)據(jù)到sssh.csv 文件中

得到的最終結(jié)果是sssh.csv文件，然后就可以訓(xùn)練了。

注：文件的最后一行是test數(shù)據(jù)，所以沒有標(biāo)簽，我設(shè)置為0。

完整的代碼如下：

import pandas as pd df = pd.read_csv("000001.csv", encoding='gbk') df=df.replace("None", '0') df["日期"] = pd.to_datetime(df["日期"], format="%Y-%m-%d") df.sort_values(by=["日期"], ascending=True) del df["股票代碼"] del df["名稱"] df = df.sort_values(by=["日期"], ascending=True) df.to_csv("sh.csv", index=False, sep=',') del df['日期'] n = 60 cols = [] for col in df.columns: for i in range(n): cols.append(col + str(i)) cols.append('y') data = [] for k in range(n, len(df) + 1): onedata = [] for ii in range(n, 0, -1): for colindex in range(len(df.columns)): onedata.append(df.values[k - ii][colindex]) if k < len(df): onedata.append(df.values[k][1]) else: onedata.append(0) print(onedata) data.append(onedata) df_train = pd.DataFrame(data, columns=cols) df_train.to_csv("sssh.csv", index=False, sep=',')

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

構(gòu)建模型

模型選用GRU，隱藏層設(shè)置為64，平臺(tái)用的pytorch，模型的代碼如下：

RNN是模型，TrainSet是數(shù)據(jù)讀取邏輯。

class RNN(nn.Module): def __init__(self, input_size): super(RNN, self).__init__() self.rnn = nn.GRU( input_size=input_size, hidden_size=64, num_layers=1, batch_first=True ) self.out = nn.Sequential( nn.Linear(64, 1), ) self.hidden = None def forward(self, x): r_out, self.hidden = self.rnn(x) # None 表示 hidden state 會(huì)用全0的 state out = self.out(r_out) return out class TrainSet(Dataset): def __init__(self, data, lables): # 定義好 image 的路徑 self.data, self.label = data.float(), lables.float() def __getitem__(self, index): return self.data[index], self.label[index] def __len__(self): return len(self.data)

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

特征工程

我做的特征工程有：

1、對(duì)標(biāo)簽做縮放，把標(biāo)簽縮放到0到1之間。

2、使用多項(xiàng)式對(duì)特征做擴(kuò)展。

3、對(duì)x數(shù)據(jù)做縮放，縮放到0到1之間。

代碼如下：

LR = 0.0001 EPOCH = 300 # 數(shù)據(jù)集建立 df = pd.read_csv("sssh.csv", encoding='utf-8') scaler_y = MinMaxScaler(feature_range=(0, 1)) df['y'] = scaler_y.fit_transform(df['y'].values.reshape(-1, 1)) target = df['y'] del df['y'] polyCoder = PolynomialFeatures(degree=2, include_bias=True, interaction_only=False) df = polyCoder.fit_transform(df) df = pd.DataFrame(df, columns=polyCoder.get_feature_names()) cols = df.columns scaler = MinMaxScaler(feature_range=(0, 1)) for clo in cols: df[clo] = scaler.fit_transform(df[clo].values.reshape(-1, 1))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

數(shù)據(jù)集切分

先把測試集切出來，測試集是最后一行。然后再按照一定比例切分測試集和驗(yàn)證集，切分方法采用train_test_split，切分比例一般是7：3。代碼如下：

data = df[:df.shape[0] - 1] y=target[:df.shape[0] - 1] test = df[df.shape[0] - 1:] X_train, X_val, y_train, y_val = train_test_split(data, y, test_size=0.1, random_state=6)

1

2

3

4

訓(xùn)練驗(yàn)證

第一步 使用DataLoader加載訓(xùn)練集和測試集。

第二步 設(shè)置模型的，n是輸入的size，優(yōu)化器采用Adam，loss采用mse。

第三步 測試。

第四部 驗(yàn)證。

整個(gè)過程比較簡單。

代碼如下：

# 第一步 trainloader = DataLoader(trainset, batch_size=64, shuffle=True) valloader = DataLoader(valset, batch_size=64, shuffle=True) #第二步 rnn = RNN(n) optimizer = torch.optim.Adam(rnn.parameters(), lr=LR) # optimize all cnn parameters loss_func = nn.MSELoss() #第三步 for step in range(EPOCH): rnn.train() for tx, ty in trainloader: output = rnn(torch.unsqueeze(tx, dim=1)) loss = loss_func(torch.squeeze(output), ty) optimizer.zero_grad() # clear gradients for this training step loss.backward() # back propagation, compute gradients optimizer.step() print(step, loss) if step % 10: torch.save(rnn, 'rnn.pkl') #第四步 rnn.eval() for vx, vy in valloader: output = rnn(torch.unsqueeze(vx, dim=1)) loss = loss_func(torch.squeeze(output), vy) print("Val Loss {}".format(loss))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

測試

這個(gè)過程就比較簡單。

測試test數(shù)據(jù)，輸出結(jié)果，然后執(zhí)行inverse_transform，將結(jié)果還原。

rnn.eval() test = np.array(test) test = torch.Tensor(test) test=torch.unsqueeze(test, dim=1) output=rnn(test) print(output.data.item()) output=np.array(output.data.item()) inv_y = scaler_y.inverse_transform(output.reshape(-1,1)) inv_y = inv_y[0] print(inv_y)

1

2

3

4

5

6

7

8

9

10

11

預(yù)測今天的最高點(diǎn)是3597，實(shí)際最高點(diǎn)是3594，差了三個(gè)點(diǎn)。

完整代碼：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/19934980

機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實(shí)的內(nèi)容，請(qǐng)聯(lián)系我們jiasou666@gmail.com 處理，核實(shí)后本網(wǎng)站將在24小時(shí)內(nèi)刪除侵權(quán)內(nèi)容。