基于 LSTM 网络的股票预测模型

原项目逻辑混乱，故覆写了一份

注意：投资须谨慎，本项目预测模型非常简单，对选股投资无实际参考价值

欢迎订阅我的知乎专栏 从零学习如何搭建神经网络：PyTorch 教程

Python3.9 Pytorch LSTM baostock

1. 简介

本项目基于python3.9，通过baostock模块爬去a股数据，利用Pytorch模块搭建LSTM神经网络，用于预测个股收盘价格。

其中 LSTM 网络模型框架为一层nn.LSTM，隐藏状态层为3(可自主设计)。一层全连接层，用于输出股价。

2. 使用方法

1. 安装

打开终端，进入一个空目录（用于存放本项目代码），例如

mkdir <新目录>
cd <新目录>

输入以下指令克隆仓库

git clone [email protected]:isKage/rnn-quant.git

2. 安装必要的包和模块

进入项目根目录

cd nn_quant

可以列举以下当前目录下的文件，查看是否有requirements.txt文件。执行命令

pip install -r requirements.txt

或者使用conda或是virtualenv创建虚拟环境后执行

3. 执行训练脚本

建议初学者使用Pycharm等IDEA打开文件并执行

1. 修改train.py文件中的stock_code变量，填入对应的股票代码

2. 修改train.py文件中的index_code变量，填入对应的市场指数代码

3. 运行train.py运行成功后，在model_param文件夹下会存储对应的模型参数

4. 预测

类似训练脚本的设置，

1. 修改prediction.py文件中的stock_code变量，填入对应的股票代码

2. 修改prediction.py文件中的index_code变量，填入对应的市场指数代码

3. 运行prediction.py运行成功后，在prediction_data和prediction_plot文件夹下会存储对应的预测数据和图像

数据为.csv格式，第一个数据为最新收盘价，往后数据为预测收盘价（如需改变预测天数，可以修改prediction.py的prediction_step参数

5. 其他

进阶使用，可以自行修改相关参数和网络结构

3. 仓库框架

1. 训练脚本

存储在 train.py文件

2. 数据预处理

封装在 dataset.py文件

3. 网络结构

存储在 model.py文件

4. 训练后的网络模型参数

存储在 model_param目录

5. 预测结果和图像

存储在 prediction_data目录 和prediction_plot目录

6. Star