Press "Enter" to skip to content

Tensorflow神经网络预测股票均价

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

一、简介

1. 目标:

已知股票的「开盘价」和「收盘价」,利用神经网络来预测「收盘均价」

2. 数据源:

日期(data):[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.]
开盘价(beginPrice):[2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40]
收盘价(endPrice):[2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]

3. 预测方法

(1)背景知识介绍

神经网络介绍:https://blog.csdn.net/leiting_imecas/article/details/60463897
激励函数relu()介绍:https://www.cnblogs.com/neopenx/p/4453161.html

(2)案例分析

  • 原始数据:data、endPrice
  • 输入层:data/1.4 —> x:dateNormal、 endPrice / 3000 —> y:priceNormal
  • 隐藏层:wb1(15×10) = x(15×1) * w1(1×10) + b1(1×10)
    layer1 = tf.nn.relu(wb1)
  • 输出层:wb2(15×1) = layer1(15×10) * w2(10×1) + b2(15×1)
    layer2 = tf.nn.relu(wb2)
  • 梯度下降: 真实值y和计算值layer2的标准差用进行梯度下降,每次下降0.1;
  • 预测结果:pred = sess.run(layer2,feed_dict={x:dateNormal})
    predPrice = pred*3000

二、输入数据

import  as tfimport numpy as npimport matplotlib.pyplot as pltdate = np.linspace(1,15,15)# 开始是1,结束是15,有15个数的等差数列print(date)beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])# 开盘价endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08])# 收盘价

结果:

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15.]

函数解析:

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

  • 解析:
    该函数返回一组具有相同间隔的数据/采样值,数据的间隔通过计算获得(常用与来创建等差数列)
  • 参数:
    start:序列的起始值
    stop:序列的终止值,除非endpoint被设置为False。当endpoint为True时,数据的间隔:(stop-start)/num。当endpoint为False时,数据的间隔:(stop-start)/(num+1)。
    num:采样的数目,默认值为50
    endpoint:为真则stop为最后一个采样值,默认为真。
    retstep:为真则返回(samples, step),step为不同采样值的间距
    dtype:输出序列的类型。
    返回:
    samples:n维的数组
    step:采样值的间距

三、绘制图表

plt.figure()for i in range(0,15):    dateOne = np.zeros([2])    # 建一个两列值为0的矩阵    dateOne[0] = i;    # 第一列的 0-14    dateOne[1] = i;    # 第二列的 0-14    priceOne = np.zeros([2])    # 建一个两列值为0的矩阵    priceOne[0] = beginPrice[i]    # 把开盘价输入第一列    priceOne[1] = endPrice[i]    # 把收盘价输入第二列    if endPrice[i] > beginPrice[i]:        # 如果收盘价 大于 开盘价        plt.plot(dateOne,priceOne,'r',lw=8)        # 条形是红色,宽度为8    else:        plt.plot(dateOne,priceOne,'g',lw=8)        # 条形是绿色,宽度为8

结果:

函数解析:

1、range(start,stop,step)

  • 只给一个参数 s,表示 从0到s
    例如:range(5)
    结果:[0,1,2,3,4]
  • 两个参数,s,e,表示从s到e
    例如:range(5,10)
    结果:5,6,7,8,9
  • 三个参数 s,e,i 表示从s到e,间隔i取数
    例如:range(0,10,2)
    结果:[0,2,4,6,8]

四、输入层 input layer

dateNormal = np.zeros([15,1])# 创建一个15行,1列的矩阵priceNormal = np.zeros([15,1])for i in range(0,15):    dateNormal[i,0] = i/14.0;    # 日期的值,最大值为14    priceNormal[i,0] = endPrice[i]/3000.0;    # 价格的值,最大值为3000x = tf.placeholder(tf.float32,[None,1])y = tf.placeholder(tf.float32,[None,1])

函数解析:

tf.placeholder(dtype, shape=None, name=None)

  • 解析:此函数可以理解为形参,用于定义过程,在执行的时候再赋具体的值
  • 参数:
    dtype:数据类型。常用的是tf.float32,tf.float64等数值类型
    shape:数据形状。默认是None,就是一维值,也可以是多维,比如[2,3], [None, 3]表示列是3,行不定
    name:名称。
  • 返回:
    Tensor 类型

五、隐藏层(hidden layer)

w1 = tf.Variable(tf.random_uniform([1,10],0,1))# 创建一个1行10列的矩阵,最小值为0,最大值为1b1 = tf.Variable(tf.zeros([1,10]))# 创建一个1行10列的矩阵,值都为0wb1 = tf.matmul(x,w1)+b1# wb1 = x * w1 + b1layer1 = tf.nn.relu(wb1) # 激励函数的类型:https://tensorflow.google.cn/api_guides/python/nn#Activation_Functions# 激励函数的作用:https://zhuanlan.zhihu.com/p/25279356

六、输出层(output layer)

w2 = tf.Variable(tf.random_uniform([10,1],0,1))b2 = tf.Variable(tf.zeros([15,1]))wb2 = tf.matmul(layer1,w2)+b2# wb2 = wb1 * w2 + b2layer2 = tf.nn.relu(wb2)loss = tf.reduce_mean(tf.square(y-layer2))# 计算真实值y和计算值layer2的标准差# 方差 s^2=[(x1-x)^2+(x2-x)^2+......(xn-x)^2]/(n) (x为平均数)# 标准差=方差的算术平方根train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 每次梯度下降0.1,目的是缩小真实值y和计算值layer2的差值with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    for i in range(0,10000):        sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})        # feed_dict是一个字典,在字典中需要给出每一个用到的占位符的取值,每次迭代选取的数据只会拥有占位符这一个结点。        # 训练出w1、w2、b1、b2,但是还需要检测是否有效    pred = sess.run(layer2,feed_dict={x:dateNormal})    # 训练完的预测结果值    predPrice = np.zeros([15,1])    for i in range(0,15):        predPrice[i,0]=(pred*3000)[i,0]        # pred需要乘以3000是因为前面 priceNormal[i,0] = endPrice[i]/3000.0;    plt.plot(date,predPrice,'b',lw=1)plt.show()

结果:

函数解析:

tf.reduce_mean(input_tensor,axis=None,keepdims=None,name=None,reduction_indices=None,keep_dims=None)

  • 解析:计算张量维度上元素的平均值。
  • 参数:
    input_tensor:张量减少。应该有数字类型。
    axis:要减小的尺寸。如果None(默认)缩小所有尺寸。必须在范围内 [ rank(input_tensor), rank(input_tensor) )。
    keepdims:如果为true,则保留长度为1的缩小尺寸。
    name:操作的名称(可选)。
    reduction_indices:轴的旧(已弃用)名称。
    keep_dims:已过时的别名keepdims。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注