基于时序特征处理与LSTM结合的雅虎美股数据预测-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于时序特征处理与LSTM结合的雅虎美股数据预测。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一.模型整体流程介绍：

数据加载和处理：
- 使用pandas库读取CSV文件中的股票数据，并将日期列转换为datetime类型。
- 选择需要使用的列（'Date', 'Close', 'High', 'Low', 'Open'）作为特征。
- 创建了一个create_date_features函数来提取日期相关的特征，例如月份、日期、年份等，并将这些特征添加到数据帧中。
时间序列特征工程：
- 使用statsmodels库的CalendarFourier和DeterministicProcess类创建时间序列的季节性特征。
- 创建一个包含日期特征和季节性特征的新数据帧。
数据预处理：
- 使用MinMaxScaler对数据进行归一化处理。
- 定义了一个滚动窗口大小（look_back）来创建训练集和测试集。
- 创建了一个函数create_dataset，用于将时间序列数据转换为监督学习问题的数据集。
构建和训练模型：
- 使用Keras库构建了一个包含多个LSTM层的序列模型。
- 模型中使用了LeakyReLU激活函数和Dropout正则化层来提高模型的性能和鲁棒性。
- 使用Adamax优化器和平均绝对百分比误差（MAPE）作为损失函数来编译模型。
- 使用训练集数据训练模型，并使用验证集数据进行模型的早停策略。
模型预测和评估：
- 使用训练好的模型对训练集和测试集进行预测。
- 使用matplotlib库将实际值和预测值进行可视化比较。
- 计算并输出测试集和训练集的均方根误差（RMSE）。

总结：这段代码主要通过加载、处理和预处理股票数据，提取时间序列特征，构建和训练LSTM模型，以及进行模型预测和评估来实现股票预测。

二.数据集介绍（开始日期是：2015/11/23），数据一共是1826行，预测的收盘价格

Date	High	Low	Open	Close	Volume
2015/11/23	2095.610107	2081.389893	2089.409912	2086.590088	3587980000
2015/11/24	2094.120117	2070.290039	2084.419922	2089.139893	3884930000
2015/11/25	2093	2086.300049	2089.300049	2088.870117	2852940000
2015/11/26	2093	2086.300049	2089.300049	2088.870117	2852940000
2015/11/27	2093.290039	2084.129883	2088.820068	2090.110107	1466840000
2015/11/28	2093.290039	2084.129883	2088.820068	2090.110107	1466840000
2015/11/29	2093.290039	2084.129883	2088.820068	2090.110107	1466840000
2015/11/30	2093.810059	2080.409912	2090.949951	2080.409912	4275030000
2015/12/1	2103.370117	2082.929932	2082.929932	2102.629883	3712120000
2015/12/2	2104.27002	2077.110107	2101.709961	2079.51001	3950640000
2015/12/3	2085	2042.349976	2080.709961	2049.620117	4306490000
2015/12/4	2093.840088	2051.23999	2051.23999	2091.689941	4214910000
2015/12/5	2093.840088	2051.23999	2051.23999	2091.689941	4214910000
2015/12/6	2093.840088	2051.23999	2051.23999	2091.689941	4214910000
2015/12/7	2090.419922	2066.780029	2090.419922	2077.070068	4043820000
2015/12/8	2073.850098	2052.320068	2073.389893	2063.590088	4173570000
2015/12/9	2080.330078	2036.530029	2061.169922	2047.619995	4385250000
2015/12/10	2067.649902	2045.670044	2047.930054	2052.22998	3715150000
2015/12/11	2047.27002	2008.800049	2047.27002	2012.369995	4301060000
2015/12/12	2047.27002	2008.800049	2047.27002	2012.369995	4301060000
2015/12/13	2047.27002	2008.800049	2047.27002	2012.369995	4301060000
2015/12/14	2022.920044	1993.26001	2013.369995	2021.939941	4612440000

结束时间是：2020/11/20。

2020/10/28	3342.47998	3268.889893	3342.47998	3271.030029	5129860000
2020/10/29	3341.050049	3259.820068	3277.169922	3310.110107	4903070000
2020/10/30	3304.929932	3233.939941	3293.590088	3269.959961	4840450000
2020/10/31	3304.929932	3233.939941	3293.590088	3269.959961	4840450000
2020/11/1	3304.929932	3233.939941	3293.590088	3269.959961	4840450000
2020/11/2	3330.139893	3279.73999	3296.199951	3310.23999	4310590000
2020/11/3	3389.48999	3336.25	3336.25	3369.159912	4220070000
2020/11/4	3486.25	3405.169922	3406.459961	3443.439941	4783040000
2020/11/5	3529.050049	3485.73999	3485.73999	3510.449951	4841190000
2020/11/6	3521.580078	3484.340088	3508.340088	3509.439941	4833950000
2020/11/7	3521.580078	3484.340088	3508.340088	3509.439941	4833950000
2020/11/8	3521.580078	3484.340088	3508.340088	3509.439941	4833950000
2020/11/9	3645.98999	3547.47998	3583.040039	3550.5	8556610000
2020/11/10	3557.219971	3511.909912	3543.26001	3545.530029	6024230000
2020/11/11	3581.159912	3557	3563.219971	3572.659912	4609970000
2020/11/12	3569.02002	3518.580078	3562.669922	3537.01001	4890120000
2020/11/13	3593.659912	3552.570068	3552.570068	3585.149902	4709670000
2020/11/14	3593.659912	3552.570068	3552.570068	3585.149902	4709670000
2020/11/15	3593.659912	3552.570068	3552.570068	3585.149902	4709670000
2020/11/16	3628.51001	3600.159912	3600.159912	3626.909912	5281980000
2020/11/17	3623.110107	3588.679932	3610.310059	3609.530029	4799570000
2020/11/18	3619.090088	3567.330078	3612.090088	3567.790039	5274450000
2020/11/19	3585.219971	3543.840088	3559.409912	3581.870117	4347200000
2020/11/20	3581.22998	3556.850098	3579.310059	3557.540039	2236661930

3.效果图

4.运行视频

基于时间特征工程与LSTM结合的雅虎美股预测_哔哩哔哩_bilibili文章来源地址https://www.toymoban.com/news/detail-470002.html


import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)


import os
import gc
import warnings

import statsmodels.api as sm


import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
#代码；https://mbd.pub/o/bread/mbd-ZJmTk5dr
import seaborn as sns
import math

from scipy.signal import periodogram
from statsmodels.graphics.tsaplots import plot_pacf
from statsmodels.tsa.deterministic import CalendarFourier, DeterministicProcess, Fourier

到了这里，关于基于时序特征处理与LSTM结合的雅虎美股数据预测的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！