网站续费协议,胶州网站建设 网络推广,做中英文版的网站需要注意什么,网站 系统 区别获取数据
先用下面这段代码获取上证指数的历史数据#xff0c;得到的csv文件数据#xff0c;为后面训练模型用的
import akshare as ak
import pandas as pd# 获取上证指数历史数据
df ak.stock_zh_index_daily(symbolsh000001)# 将数据保存到本地CSV文件
df.…获取数据
先用下面这段代码获取上证指数的历史数据得到的csv文件数据为后面训练模型用的
import akshare as ak
import pandas as pd# 获取上证指数历史数据
df ak.stock_zh_index_daily(symbolsh000001)# 将数据保存到本地CSV文件
df.to_csv(sh000001.csv, indexFalse, encodingutf-8-sig)# 打印数据
print(df)注意运行上段代码之前需要先用下面这个指令安装akshare包
pip install akshare运行完上述代码之后会得到如下一个csv文件 训练模型
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader# ------------------------
# 1. 加载数据
# ------------------------
data pd.read_csv(sh000001.csv) # 替换为你的文件路径
data[date] pd.to_datetime(data[date])
data.set_index(date, inplaceTrue)# 提取收盘价数据
close_prices data[close].values.reshape(-1, 1)# ------------------------
# 2. 数据预处理
# ------------------------
# 归一化
scaler MinMaxScaler(feature_range(0, 1))
scaled_close scaler.fit_transform(close_prices)# 创建时间序列数据集滑动窗口
def create_dataset(data, window_size60):X, y [], []for i in range(len(data) - window_size - 7): # 预测未来7天X.append(data[i:iwindow_size])y.append(data[iwindow_size:iwindow_size7]) # 输出未来7天的数据return np.array(X), np.array(y)window_size 60 # 用过去60天的数据预测未来7天
X, y create_dataset(scaled_close, window_size)# 划分训练集和测试集
train_size int(len(X) * 0.8)
X_train, X_test X[:train_size], X[train_size:]
y_train, y_test y[:train_size], y[train_size:]# 转换为PyTorch张量
X_train torch.FloatTensor(X_train)
y_train torch.FloatTensor(y_train)
X_test torch.FloatTensor(X_test)
y_test torch.FloatTensor(y_test)# 自定义Dataset类
class TimeSeriesDataset(Dataset):def __init__(self, X, y):self.X Xself.y ydef __len__(self):return len(self.X)def __getitem__(self, idx):return self.X[idx], self.y[idx]# 创建DataLoader
batch_size 64
train_dataset TimeSeriesDataset(X_train, y_train)
train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue)# ------------------------
# 3. 定义LSTM模型
# ------------------------
class LSTMModel(nn.Module):def __init__(self, input_size1, hidden_size50, output_size7):super().__init__()self.hidden_size hidden_sizeself.lstm nn.LSTM(input_size, hidden_size, batch_firstTrue)self.linear nn.Linear(hidden_size, output_size)def forward(self, x):# LSTM层out, (h_n, c_n) self.lstm(x)# 仅取最后一个时间步的隐藏状态out self.linear(out[:, -1, :])return out# 初始化模型
model LSTMModel(input_size1, hidden_size100, output_size7)
criterion nn.MSELoss()
optimizer torch.optim.Adam(model.parameters(), lr0.001)# ------------------------
# 4. 训练模型
# ------------------------
num_epochs 50
model.train()for epoch in range(num_epochs):for batch_X, batch_y in train_loader:# 前向传播outputs model(batch_X)loss criterion(outputs, batch_y.squeeze())# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()print(fEpoch [{epoch1}/{num_epochs}], Loss: {loss.item()*1000:.6f})# ------------------------
# 5. 预测与评估
# ------------------------
model.eval()
with torch.no_grad():# 测试集预测test_pred model(X_test)test_pred test_pred.numpy()# 反归一化test_pred scaler.inverse_transform(test_pred.reshape(-1, 1)).reshape(-1, 7)y_test_actual scaler.inverse_transform(y_test.numpy().reshape(-1, 1)).reshape(-1, 7)# 预测未来7天使用最新数据last_window scaled_close[-window_size:].reshape(1, window_size, 1)last_window_tensor torch.FloatTensor(last_window)future_pred model(last_window_tensor).numpy()future_pred scaler.inverse_transform(future_pred.reshape(-1, 1)).flatten()# ------------------------
# 6. 可视化结果
# ------------------------
# 测试集预测示例取第一条样本
plt.figure(figsize(12, 6))
plt.plot(y_test_actual[0], labelTrue Future)
plt.plot(test_pred[0], labelPredicted Future)
plt.legend()
plt.title(Test Set Prediction Example)
plt.show()# 未来7天预测
print(未来7天收盘价预测:)
for i, price in enumerate(future_pred):print(fDay {i1}: {price:.2f})关键步骤解释
数据预处理
使用 MinMaxScaler 归一化收盘价到 [0, 1]。
创建滑动窗口数据集用过去 window_size60 天的数据预测未来7天。
模型结构
LSTM层输入维度为1单变量时间序列隐藏层维度为100。
全连接层将LSTM最后一个时间步的隐藏状态映射到未来7天的输出。
训练与预测
使用均方误差MSE作为损失函数。
训练完成后对测试集和未来7天进行预测并反归一化得到实际价格。
未来预测
使用最新的 window_size60 天数据生成输入窗口预测未来7天收盘价。
