### LSTM模型用于股票价格预测的实现 #### 数据准备 在构建LSTM模型之前，需要对数据进行预处理。这通常包括获取历史股价数据、标准化特征以及创建适合输入到LSTM网络的时间序列窗口。 ```python import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler from keras.models import Sequential from keras.layers import Dense, LSTM, Dropout # 加载数据并提取收盘价作为目标变量 data = pd.read_csv('stock_data.csv') # 假设文件名为 stock_data.csv closing_prices = data['Close'].values.reshape(-1, 1) # 归一化数据 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_closing_prices = scaler.fit_transform(closing_prices) ``` #### 创建训练和测试集 为了使LSTM能够学习时间依赖关系，需将数据转换为滑动窗口的形式。 ```python def create_dataset(dataset, time_step=60): X, y = [], [] for i in range(len(dataset)-time_step-1): a = dataset[i:(i+time_step), 0] X.append(a) y.append(dataset[i + time_step, 0]) return np.array(X), np.array(y) time_step = 60 X, y = create_dataset(scaled_closing_prices, time_step) # 划分训练集和测试集 train_size = int(len(X) * 0.8) test_size = len(X) - train_size X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 调整形状以适应LSTM输入 (样本数, 时间步长, 特征数) X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_test = X_test.reshape((X_test.shape[0], X_test.shape[1], 1)) ``` #### 构建LSTM模型 以下是基于Keras框架的一个简单LSTM模型结构： ```python model = Sequential() # 添加第一个LSTM层 model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1))) model.add(Dropout(0.2)) # 添加第二个LSTM层 model.add(LSTM(units=50, return_sequences=False)) model.add(Dropout(0.2)) # 输出层 model.add(Dense(units=1)) # 编译模型 model.compile(optimizer='adam', loss='mean_squared_error') # 训练模型 model.fit(X_train, y_train, epochs=100, batch_size=32) ``` #### 预测与反归一化 完成模型训练后，可以利用测试集评估其表现，并通过反归一化得到实际的价格值。 ```python predicted_stock_price = model.predict(X_test) predicted_stock_price = scaler.inverse_transform(predicted_stock_price) # 反归一化真实值以便比较 real_stock_price = scaler.inverse_transform([y_test]) # 计算均方根误差(RMSE) import math from sklearn.metrics import mean_squared_error rmse = math.sqrt(mean_squared_error(real_stock_price[0], predicted_stock_price[:, 0])) print(f'RMSE: {rmse}') ``` #### 结果可视化 最后可以通过绘制图表来直观展示预测效果。 ```python import matplotlib.pyplot as plt plt.figure(figsize=(14,5)) plt.plot(real_stock_price[0], color='blue', label='Real Stock Price') plt.plot(predicted_stock_price, color='red', label='Predicted Stock Price') plt.title('Stock Price Prediction with LSTM') plt.xlabel('Time') plt.ylabel('Stock Price') plt.legend() plt.show() ``` --- ###