源码下载地址：/download/sheziqiong/85630918
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 tusharepro = 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
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].valuesl = df[n + i:n + i + 1][["open", "high", "low", "close"]].valuesdata.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
输出
格式：（batch_size, series_length, output_dim)
实际取值
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。
源码下载地址：/download/sheziqiong/85630918
