【RNN实战进阶】手把手教你如何预测当天股票的最高点

摘要

在头条上有很多人做股市的分析，分析每天大盘的涨跌，我观察了几位，预测的都不理想，我一直想着用AI去预测大盘的涨跌。股市数据是个时间序列数据，用RNN再合适不过了，今天我用GRU手把手教大家实现这一算法。

免责声明

算法的结果不能作为投资的依据！！！如果你根据算法的结果去投资，赔钱别找我啊！

获取原始数据

网站的地址：http://quotes.money.163.com/trade/lsjysj_zhishu_000001.html

在这上面能找到大盘额历史数据，我们选择所有的数据下载下来即可。

下载方法如下图：

点击下载数据，默认选择全部数据，然后下载即可。

制作训练用的数据

原始的数据不能直接拿来使用，我们需要构建时序数据。我的想法是用前n-1天的数据来预测n天的最高点或者收盘价。所以前n-1天的数据组成x，当天的最高点就是y。

制作数据的具体思路：

第一步 读入数据，把几个“None”替换为0，格式化日期，由于下载的数据默认是按照日期的倒序，所以对日期做升序排列。

第二步 删除“股票代码”、“名称”和日期列。

第三步 定义时序的长度n，n代表用多少天的数据。定义列名cols，类型是list，定义data，存放时序数据。

第四步 循坏df，读取数据，构建时序数据然后存放到data中，这个过程比较慢，不知道有没有快捷的方式，如果有，还请指教。

第五步 保存data数据到sssh.csv 文件中

得到的最终结果是sssh.csv文件，然后就可以训练了。

注：文件的最后一行是test数据，所以没有标签，我设置为0。

完整的代码如下：

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["股票代码"] del df["名称"] 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

构建模型

模型选用GRU，隐藏层设置为64，平台用的pytorch，模型的代码如下：

RNN是模型，TrainSet是数据读取逻辑。

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 会用全0的 state out = self.out(r_out) return out class TrainSet(Dataset): def __init__(self, data, lables): # 定义好 image 的路径 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、对标签做缩放，把标签缩放到0到1之间。

2、使用多项式对特征做扩展。

3、对x数据做缩放，缩放到0到1之间。

代码如下：

LR = 0.0001 EPOCH = 300 # 数据集建立 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

数据集切分

先把测试集切出来，测试集是最后一行。然后再按照一定比例切分测试集和验证集，切分方法采用train_test_split，切分比例一般是7：3。代码如下：

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

训练验证

第一步 使用DataLoader加载训练集和测试集。

第二步 设置模型的，n是输入的size，优化器采用Adam，loss采用mse。

第三步 测试。

第四部 验证。

整个过程比较简单。

代码如下：

# 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

测试

这个过程就比较简单。

测试test数据，输出结果，然后执行inverse_transform，将结果还原。

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

预测今天的最高点是3597，实际最高点是3594，差了三个点。

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

机器学习 神经网络

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。