目录
1、数据来源
2、数据可视化
3、神经网络设计
神经网络（NeuralNetworks）是一种用训练数据拟合目标函数的黑箱模型，只要数据量足够大，它可以拟合出输入到输出之间的任意函数关系。
本篇博文将使用TensorFlow神经网络进行股市的预测，利用数据样本学习，得到相关因素预测股票走势。
1、数据来源
首先预设一组数据，下图为股票上证指数2019年07月到2019年09月的30天开盘价格和收盘价格。
数据在程序中实现，代码如下所示：
date = np.linspace(1,30,30) beginPrice = np.array([2923.19,2928.06,2943.92,2946.26,2944.40,2920.85,2861.33,2854.58,2776.69,2789.02, 2784.18,2805.59,2781.98,2798.05,2824.49,2762.34,2817.57,2835.52,2879.08,2875.47, 2887.66,2885.15,2851.02,2879.52,2901.63,2896.00,2907.38,2886.94,2925.94,2927.75]) endPrice = np.array([2937.36,2944.54,2941.01,2952.34,2932.51,2908.77,2867.84,2821.50,2777.56,2768.68, 2794.55,2774.75,2814.99,2797.26,2808.91,2815.80,2823.82,2883.10,2880.00,2880.33, 2883.44,2897.43,2863.57,2902.19,2893.76,2890.92,2886.24,2924.11,2930.15,2957.41])
2、数据可视化
基于matplotlib可视化库，建立一个30行2列的矩阵存储股票数据，矩阵的第一列输入上列数据中的股票开盘价格，第二列输入股票的收盘价格，如果股票的收盘价格高于开盘价格则用红色显示，反之则用绿色显示，可视化股票数据如下图所示。采用本实例所设计的神经网络预测股票收盘均价，并可视化预测结果。
使用前需要安装matplotlib模块，指令如下所示：
pip install matplotlib
实现代码如下所示：
for i in range(0,30): # 画柱状图 dateOne = np.zeros([2]) dateOne[0] = i; dateOne[1] = i; priceOne = np.zeros([2]) priceOne[0] = beginPrice[i] priceOne[1] = endPrice[i] if endPrice[i]>beginPrice[i]: plt.plot(dateOne,priceOne,'r',lw=6) else: plt.plot(dateOne,priceOne,'g',lw=6) plt.xlabel("date") plt.ylabel("price")
3、神经网络设计
基于TensorFlow框架，设计三层神经网络，隐含层包括25个节点，利用所设计的神经网络来预测股票的收盘均价。使用前需要安装TensorFlow模块，指令如下所示：
pip install tensorflow
【拓展】4行指令解决pip下载Python第三方库太慢问题（pip更换国内下载源）
实现代码如下所示：
dateNormal = np.zeros([30,1]) priceNormal = np.zeros([30,1]) #归一化 for i in range(0,30): dateNormal[i,0] = i/29.0; priceNormal[i,0] = endPrice[i]/3000.0; x = tf.placeholder(tf.float32,[None,1]) y = tf.placeholder(tf.float32,[None,1]) # X->hidden_layer w1 = tf.Variable(tf.random_uniform([1,25],0,1)) b1 = tf.Variable(tf.zeros([1,25])) wb1 = tf.matmul(x,w1)+b1 layer1 = tf.nn.relu(wb1) # 激励函数 # hidden_layer->output w2 = tf.Variable(tf.random_uniform([25,1],0,1)) b2 = tf.Variable(tf.zeros([30,1])) wb2 = tf.matmul(layer1,w2)+b2 layer2 = tf.nn.relu(wb2) loss = tf.reduce_mean(tf.square(y-layer2)) #y为真实数据， layer2为网络预测结果 #梯度下降 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(0,20000): sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal}) #预测， X w1w2 b1b2 -->layer2 pred = sess.run(layer2,feed_dict={x:dateNormal}) predPrice = np.zeros([30,1]) for i in range(0,30): predPrice[i,0]=(pred*3000)[i,0] plt.plot(date,predPrice,'b',lw=1) plt.show()
运行以上代码可视化神经网络的预测结果如下图所示：
