TensorFlow神经网络实现股票预测-阿里云开发者社区

TensorFlow神经网络实现股票预测

2021-12-18 303

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： TensorFlow神经网络实现股票预测

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()