基于GRU实现股价多变量时间序列预测(PyTorch版)
前言
系列专栏:【深度学习：算法项目实战】✨︎
涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域，讨论了各种复杂的深度神经网络思想，如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习。
本文基于PyTorch框架分析了深度学习模型——堆叠门控循环单元 Stacked GRU 在股市的表现。结果如下：
目录
- 1. 数据集介绍
- 2. 数据可视化
- 3. 特征工程
- 3.1 特征缩放（归一化）
- 3.2 构建监督学习数据
- 3.3 数据集划分(Subset)
- 3.4 数据加载器
- 4. 构建时间序列模型（Stacked GRU）
- 4.1 构建 GRU 模型
- 4.2 实例化模型、定义损失函数与优化器
- 4.3 模型概要
- 5. 模型训练
- 5.1 定义训练函数
- 5.2 定义评估函数
- 5.3 定义模型训练主程序
- 5.4 执行模型训练过程
- 6. 模型预测
- 6.1 定义预测函数
- 7. 模型验证
- 7.1 验证集预测
- 7.2 验证集评估
- 7.2.1 回归拟合图
- 7.2.2 评估指标
- 8. 模型测试
- 8.1 测试集预测
- 8.2 测试集评估
- 8.2.1 回归拟合图