基于循环神经网络预测股价

一、数据获取

1.1 训练过程中所有的股票日K数据均来自tushare

import tushare

pro = ts.pro_api(token)
df = pro.daily(ts_code, start_date, end_date)
df.to_csv(filename)

二、 数据预处理

2.1 获取到的数据格式如图所示

2.2 特征选取

我选取了股票交易数据中几个有用的特征

特征	说明
open	开盘价
high	最高价
low	最低价
close	收盘价
pre_close	昨日收盘价
chagne	涨跌额
pct_chg	涨跌幅
vol	成交量（手）
amount	成交额（千元）

2.3 数据标准化或归一化

去除特征量纲，加速模型收敛，这里采用标准化处理。

2.4 生成时间序列

这里选取30天为一个时间序列，来预估低31天的开盘价、收盘价、最高价和最低价

def series_data(df, n):
    """
    将数据组装成时间序列
    :param df: DataFrame对像
    :param n: 时间序列长度
    :return: data, label 数据和标签的numpy数组对象
    """
    data = []
    label = []
    for i in range(len(df) - n):
        d = df[i:n + i].values
        l = df[n + i:n + i + 1][["open", "high", "low", "close"]].values
        data.append(d)
        label.append(l)
    return np.array(data), np.array(label)

三、神经网络结构

3.1 简单起见，这里采用一层循环的LSTM + 全连接的输出层。

3.2 神经网络定义

class RNN(torch.nn.Module):
    def __init__(self, input_size):
        """
        循环神经网络实现，采用LSTM
        :param input_size: 输入的特征维度
        """
        super(RNN, self).__init__()
        self.rnn = torch.nn.LSTM(
            input_size=input_size,
            hidden_size=64,
            num_layers=1,
            batch_first=True
        )
        self.out = torch.nn.Sequential(
            torch.nn.Linear(64, 4)
        )

    def forward(self, x):
        """
        前向传播
        :param x: 输入数据
        :return:
        """
        r_out, (h_n, h_c) = self.rnn(x, None)
        out = self.out(r_out)
        return out

3.3 输入输出维度

输入

格式：（batch_size, series_length, input_dim)
实际取值

维度	说明	大小
batch_size	批大小	10
series_length	序列长度	30
input_dim	特征维度	9

输出

格式：（batch_size, series_length, output_dim)
实际取值

维度	说明	大小
batch_size	批大小	10
series_length	序列长度	30
output_dim	输出维度	4

实际取最后一个序列的输出与label进行损失计算

四、训练网络

略

五、验证

选取最高价的局部大图看一下

可以看到不管是训练集还是测试集都拟合完美，具体效果如何等待验证，个人感觉中长线趋势还是挺准的，短线偶尔也有一定的误差。