根據(jù)股票歷史數(shù)據(jù)中的最低價(jià),、最高價(jià)、開(kāi)盤(pán)價(jià),、收盤(pán)價(jià),、交易量,、交易額,、跌漲幅等因素,，對(duì)下一日股票最高價(jià)進(jìn)行預(yù)測(cè),。

實(shí)驗(yàn)用到的數(shù)據(jù)長(zhǎng)這個(gè)樣子：

label是標(biāo)簽y,，也就是下一日的最高價(jià)。列C——I為輸入特征,。
本實(shí)例用前5800個(gè)數(shù)據(jù)做訓(xùn)練數(shù)據(jù),。

單因素輸入特征及RNN、LSTM的介紹請(qǐng)戳上一篇 Tensorflow實(shí)例：利用LSTM預(yù)測(cè)股票每日最高價(jià)（一）

導(dǎo)入包及聲明常量

import pandas as pd
import numpy as np
import tensorflow as tf

#定義常量
rnn_unit=10       #hidden layer units
input_size=7      
output_size=1
lr=0.0006         #學(xué)習(xí)率
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9

導(dǎo)入數(shù)據(jù)

f=open('dataset.csv') 
df=pd.read_csv(f)     #讀入股票數(shù)據(jù)
data=df.iloc[:,2:10].values   #取第3-10列
1
2
3
1
2
3

生成訓(xùn)練集,、測(cè)試集

考慮到真實(shí)的訓(xùn)練環(huán)境,，這里把每批次訓(xùn)練樣本數(shù)（batch_size）、時(shí)間步（time_step）,、訓(xùn)練集的數(shù)量（train_begin,train_end）設(shè)定為參數(shù),，使得訓(xùn)練更加機(jī)動(dòng)。

#——————————獲取訓(xùn)練集——————————
def get_train_data(batch_size=60,time_step=20,train_begin=0,train_end=5800):
    batch_index=[]
    data_train=data[train_begin:train_end]
    normalized_train_data=(data_train-np.mean(data_train,axis=0))/np.std(data_train,axis=0)  #標(biāo)準(zhǔn)化
    train_x,train_y=[],[]   #訓(xùn)練集x和y初定義
    for i in range(len(normalized_train_data)-time_step):
       if i % batch_size==0:
           batch_index.append(i)
       x=normalized_train_data[i:i+time_step,:7]
       y=normalized_train_data[i:i+time_step,7,np.newaxis]
       train_x.append(x.tolist())
       train_y.append(y.tolist())
    batch_index.append((len(normalized_train_data)-time_step))
    return batch_index,train_x,train_y

#——————————獲取測(cè)試集——————————
def get_test_data(time_step=20,test_begin=5800):
    data_test=data[test_begin:]
    mean=np.mean(data_test,axis=0)
    std=np.std(data_test,axis=0)
    normalized_test_data=(data_test-mean)/std  #標(biāo)準(zhǔn)化
    size=(len(normalized_test_data)+time_step-1)//time_step  #有size個(gè)sample 
    test_x,test_y=[],[]  
    for i in range(size-1):
       x=normalized_test_data[i*time_step:(i+1)*time_step,:7]
       y=normalized_test_data[i*time_step:(i+1)*time_step,7]
       test_x.append(x.tolist())
       test_y.extend(y)
    test_x.append((normalized_test_data[(i+1)*time_step:,:7]).tolist())
    test_y.extend((normalized_test_data[(i+1)*time_step:,7]).tolist())
    return mean,std,test_x,test_y
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
32
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
32

構(gòu)建神經(jīng)網(wǎng)絡(luò)

#——————————————————定義神經(jīng)網(wǎng)絡(luò)變量——————————————————
def lstm(X):     
    batch_size=tf.shape(X)[0]
    time_step=tf.shape(X)[1]
    w_in=weights['in']
    b_in=biases['in']  
    input=tf.reshape(X,[-1,input_size])  #需要將tensor轉(zhuǎn)成2維進(jìn)行計(jì)算,，計(jì)算后的結(jié)果作為隱藏層的輸入
    input_rnn=tf.matmul(input,w_in)+b_in
    input_rnn=tf.reshape(input_rnn,[-1,time_step,rnn_unit])  #將tensor轉(zhuǎn)成3維,，作為lstm cell的輸入
    cell=tf.nn.rnn_cell.BasicLSTMCell(rnn_unit)
    init_state=cell.zero_state(batch_size,dtype=tf.float32)
    output_rnn,final_states=tf.nn.dynamic_rnn(cell, input_rnn,initial_state=init_state, dtype=tf.float32)  #output_rnn是記錄lstm每個(gè)輸出節(jié)點(diǎn)的結(jié)果，final_states是最后一個(gè)cell的結(jié)果
    output=tf.reshape(output_rnn,[-1,rnn_unit]) #作為輸出層的輸入
    w_out=weights['out']
    b_out=biases['out']
    pred=tf.matmul(output,w_out)+b_out
    return pred,final_states
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

訓(xùn)練模型

#——————————————————訓(xùn)練模型——————————————————
def train_lstm(batch_size=80,time_step=15,train_begin=0,train_end=5800):
    X=tf.placeholder(tf.float32, shape=[None,time_step,input_size])
    Y=tf.placeholder(tf.float32, shape=[None,time_step,output_size])
    batch_index,train_x,train_y=get_train_data(batch_size,time_step,train_begin,train_end)
    pred,_=lstm(X)
    #損失函數(shù)
    loss=tf.reduce_mean(tf.square(tf.reshape(pred,[-1])-tf.reshape(Y, [-1])))
    train_op=tf.train.AdamOptimizer(lr).minimize(loss)
    saver=tf.train.Saver(tf.global_variables(),max_to_keep=15)
    module_file = tf.train.latest_checkpoint()    
    with tf.Session() as sess:
        #sess.run(tf.global_variables_initializer())
        saver.restore(sess, module_file)
        #重復(fù)訓(xùn)練2000次
        for i in range(2000):
            for step in range(len(batch_index)-1):
                _,loss_=sess.run([train_op,loss],feed_dict={X:train_x[batch_index[step]:batch_index[step+1]],Y:train_y[batch_index[step]:batch_index[step+1]]})
            print(i,loss_)
            if i % 200==0:
                print("保存模型：",saver.save(sess,'stock2.model',global_step=i))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

嗯,，這里說(shuō)明一下,，這里的參數(shù)是基于已有模型恢復(fù)的參數(shù),，意思就是說(shuō)之前訓(xùn)練過(guò)模型，保存過(guò)神經(jīng)網(wǎng)絡(luò)的參數(shù),，現(xiàn)在再取出來(lái)作為初始化參數(shù)接著訓(xùn)練,。如果是第一次訓(xùn)練，就用sess.run(tf.global_variables_initializer()),，也就不要用到 module_file = tf.train.latest_checkpoint() 和saver.store(sess, module_file)了,。

測(cè)試

#————————————————預(yù)測(cè)模型————————————————————
def prediction(time_step=20):
    X=tf.placeholder(tf.float32, shape=[None,time_step,input_size])
    mean,std,test_x,test_y=get_test_data(time_step)
    pred,_=lstm(X)     
    saver=tf.train.Saver(tf.global_variables())
    with tf.Session() as sess:
        #參數(shù)恢復(fù)
        module_file = tf.train.latest_checkpoint()
        saver.restore(sess, module_file) 
        test_predict=[]
        for step in range(len(test_x)-1):
          prob=sess.run(pred,feed_dict={X:[test_x[step]]})   
          predict=prob.reshape((-1))
          test_predict.extend(predict)
        test_y=np.array(test_y)*std[7]+mean[7]
        test_predict=np.array(test_predict)*std[7]+mean[7]
        acc=np.average(np.abs(test_predict-test_y[:len(test_predict)])/test_y[:len(test_predict)]) #acc為測(cè)試集偏差
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

最后的結(jié)果畫(huà)出來(lái)是這個(gè)樣子：

紅色折線是真實(shí)值，藍(lán)色折線是預(yù)測(cè)值

偏差大概在1.36%

代碼和數(shù)據(jù)上傳到了github上,，想要的戳全部代碼

注?。喝缫D(zhuǎn)載，請(qǐng)經(jīng)過(guò)本人允許并注明出處,！