当前位置：首页 > news >正文

008 | 基于RNN和LSTM的贵州茅台股票开盘价预测

news 2025/8/6 3:35:14

基于RNN和LSTM的贵州茅台股票开盘价预测

项目简介：

本项目旨在通过使用Tushare下载贵州茅台的股票数据，并基于这些历史数据，使用TensorFlow 2.0实现循环神经网络（RNN）和长短期记忆网络（LSTM）来预测股票的开盘价。本项目提供了完整的数据获取、处理、模型构建和预测的流程。

项目步骤：

1. 数据获取

使用Tushare库获取贵州茅台的历史股票数据，包括开盘价、收盘价、最高价、最低价、成交量等。

import tushare as ts# 设置Tushare的token
ts.set_token('your_token_here')
pro = ts.pro_api()# 获取贵州茅台的历史数据
df = pro.daily(ts_code='600519.SH', start_date='20100101', end_date='20230701')
df.to_csv('maotai.csv', index=False)

2. 数据处理

读取下载的CSV文件，处理日期格式，并准备好输入特征和目标值。

import pandas as pd
import numpy as np# 读取数据
df = pd.read_csv('maotai.csv')# 按日期排序
df['trade_date'] = pd.to_datetime(df['trade_date'])
df = df.sort_values('trade_date')# 准备输入特征和目标值
data = df['open'].values.reshape(-1, 1)

3. 构建RNN模型

使用TensorFlow 2.0构建RNN模型，并训练模型。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, Dense# 构建RNN模型
model = Sequential()
model.add(SimpleRNN(50, activation='relu', return_sequences=True, input_shape=(30, 1)))
model.add(SimpleRNN(50, activation='relu'))
model.add(Dense(1))# 编译模型
model.compile(optimizer='adam', loss='mse')# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32)

4. 构建LSTM模型

使用TensorFlow 2.0构建LSTM模型，并训练模型。

from tensorflow.keras.layers import LSTM# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, activation='relu', return_sequences=True, input_shape=(30, 1)))
model.add(LSTM(50, activation='relu'))
model.add(Dense(1))# 编译模型
model.compile(optimizer='adam', loss='mse')# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=32)

5. 预测与评估

使用训练好的模型进行预测，并评估模型的效果。

# 预测
predicted_stock_price = model.predict(X_test)# 评估
mse = np.mean(np.square(predicted_stock_price - y_test))
print(f'Mean Squared Error: {mse}')

运行结果

项目结构

├── data
│   ├── maotai.csv               // 下载的贵州茅台股票数据
├── models
│   ├── rnn_stock.py             // RNN模型代码
│   ├── lstm_stock.py            // LSTM模型代码
├── results
│   ├── rnn_predictions.csv      // RNN模型预测结果
│   ├── lstm_predictions.csv     // LSTM模型预测结果
└── README.md                    // 项目说明文档