股票市场涨涨跌跌，好像毫无规律，但有一些人却凭借自己的直觉掌握了一些特殊规律，从而实现在股票上的实现斩获。现在在人工智能时代，Python+AI框架，无疑会利用人工智能优势可以对股票市场进行特征学习，抓取比凭借个人感觉更多的股票数字特征。本文要介绍的就是利用Python+keras对股票进行时间序列上的数字特征预测。

用Python结合人工智能尝试预测股票，会成就下一个股神?

预备条件：

假设您熟悉python，并且已经在系统中安装了python 3。本教程中使用了jupyter笔记本。您可以使用自己喜欢的IDE。

使用的数据集：

本教程中使用的数据集是基于Tushare获取的股票信息。更多股票代码可以用下面的搜索工具获取。至于Tushare的使用，可以参考以前的python神级技巧，不要爬虫一分钟获取股票基金持股情况文章学习。

搜更多精彩内容

股票查询

安装所需的库

对于此项目，您需要在python中安装以下软件包。如果未安装，则只需使用即可pip install PackageName。

NumPy —该库提供快速计算的n维数组对象。Pandas —它提供了一个数据框和序列，可以对数据执行操作和分析。matplotlib —该库有助于使用各种图表来可视化数据。scikit-learn —这是一个机器学习库，提供了用于预测分析的各种工具和算法。我们将使用其工具或功能进行数据预处理。Keras —这是一个基于TensorFlow的高级深度学习库，用于提供神经网络的简单实现。我们之所以使用它，是因为它对初学者友好且易于实施。TensorFlow -这个库是由所需Keras作为Keras运行在TensorFlow本身。

开始编码

首先，需要导入将在项目中使用的库。在这里，numpy用于创建NumPy数组以训练和测试数据。pandas用于制作数据集的数据框并轻松检索值。matplotlib.pyplot绘制总体股价和预测价格之类的数据。MinMaxScaler从sklearn的(scikit-learn)预处理程序包中进行归一化处理。Sequential dense LSTM Dropout从Keras导入了数据，将有助于创建深度学习模型。稍后将讨论这些模块。

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.preprocessing import MinMaxScaler#for deep learning modelfrom keras import Sequentialfrom keras.layers import Densefrom keras.layers import LSTMfrom keras.layers import Dropout

现在，将数据集作为数据框加载到名为df的变量中。然后，检查了数据集的形状，结果为(2035,8)表示数据集中有2035行和8列。之后，将数据集上下颠倒过来，以便日期从最早的日期开始到最近的日期，这样做还必须重置索引。然后，打印数据集的一些开始行head()。

df = pd.readcsv('tu.csv')df.shapedf = df[::-1]df = df.resetindex(drop=True)df.head()

数据集的前5个条目

仅选择了一个“开放”功能来训练的模型，但是您可以自由选择多个功能，但是随后将相应地更改代码。在训练集中，有2000个值，而在测试中，只选择35个值。然后简单地打印了两个类别的数据，分别trainset testset是(2000,1)和(35,1)。

openprice = df.iloc[:,1:2]trainset = openprice[:2000].valuestestset = openprice[2000:].valuesprint("Train size:",trainset.shape)print("Test size:",testset.shape)

在这里，将Date列转换为DateTime格式以方便地进行绘制。然后简单地用于plotdate绘制整个时间轴上的股票开盘价的图，并使用保存该图savefig。

dates = pd.todatetime(df['Date'])plt.plotdate(dates, openprice,fmt='-')plt.savefig("test1final.png")

现在，已经初始化了MinMaxScalar用于缩放0到1范围内的每个值的。这是非常重要的一步，因为当特征处于相对相似的缩放比例时，神经网络和其他算法的收敛速度更快。

sc = MinMaxScaler()trainsetscaled = sc.fittransform(trainset)

棘手的部分到了。现在，必须使数据适合我们的RNN模型，即使用目标最终值制作数据序列。让我用这个例子来解释。假设数据集的值介于1到10之间，并且序列长度为3。在这种情况下，训练数据如下所示：

序列训练数据示例

在代码中，序列的长度为60，这意味着只有前60个值将决定下一个值，而不是整个数据集。之后，创建了NumPy xtrain和NumPy数组以ytrain进行快速计算，并根据模型的要求重塑了训练集。的最终形状为xtrain(1940，60，1)。

xtrain =[]ytrain =[]for i in range(60,2000):xtrain.append(trainsetscaled[i-60:i,0]) ytrain.append(trainsetscaled[i,0])xtrain = np.array(xtrain)ytrain = np.array(ytrain)xtrain = np.reshape(xtrain,(xtrain.shape[0],xtrain.shape[1],1))xtrain.shape

现在，将创建模型的架构。使用Keras是因为与其他可用库相比，使用Keras进行深度学习模型非常容易。在这里，初始化了Sequential对象，该对象充当模型内所有图层的捆绑程序。模型总共有4个LSTM层和1个致密层。

LSTM(长期短期记忆)是一种递归神经网络，具有一些上下文状态单元，它们充当长期或短期记忆单元，并且这些单元调节输出。当需要根据历史背景而不是仅根据最后的输入来预测输出时，这一点很重要。例如，必须预测序列3,4,5,?中的下一个数字。那么输出就是6(x +1)，但是顺序为0,2,4,?输出也是6，但是它也取决于上下文信息。

Dropout用于通过一次简单地停用某些单元(神经元)来防止数据过拟合。在案例中，一次会停用20％的单元。最后，有一个包含1个单位的密集层，可提供预测值。

然后，只需使用优化程序编译模型，然后将模型拟合到数据上，然后运行20次迭代即可。

reg = Sequential()reg.add(LSTM(units =50,returnsequences=True,inputshape=(xtrain.shape[1],1)))reg.add(Dropout(0.2))reg.add(LSTM(units =50,returnsequences=True))reg.add(Dropout(0.2))reg.add(LSTM(units =50,returnsequences=True))reg.add(Dropout(0.2))reg.add(LSTM(units=50))reg.add(Dropout(0.2))reg.add(Dense(units=1))reg.compile(optimizer ='adam',loss='meansquarederror')reg.fit(xtrain,ytrain, epochs=20, batchsize =1,verbose=2)

每次迭代的损失

如您所见，模型收敛于15个epoch，总共花了90分钟才能运行20次。是的，RNN模型需要时间训练。

RNN模型需要时间

现在，是时候为测试创建输入了。的形状input为(95，1)，下面也缩放了此数据。

input = openprice[len(openprice)-len(testset)-60:].valuesinput.shapeinput = sc.transform(input)

这是最后一部分，其中简单地制作数据序列以预测最近35天的库存值。第一个序列包含从1至60的数据来预测第61个值，第二个序列包含从2到61的数据来预测第62个值，依此类推。的形状xtest是(35，60，1)，这说明了这一点。

xtest =[]for i in range(60,95):xtest.append(input[i-60:i,0])xtest = np.array(xtest)xtest = np.reshape(xtest,(xtest.shape[0],xtest.shape[1],1))xtest.shape

最终，只是预测使用值predict定义的模型的功能，并绘制最后35个某种给定股票的实际和预测值。

pred = reg.predict(xtest)pred = sc.inversetransform(pred)plt.plot(testset,color='green')plt.plot(pred,color='red')plt.title('股票预测')plt.show()

最后具体运行结果就作为作业留给大家自行完成。但可以很乐观的告诉大家，模型在某些特定时间段上预测给定股票的未来趋势方面非常准确。

但是，距离成为股票市场上的出色顾问还会有比较大的挑战。

下一步目标

通过合并更多功能，增加数据集以及调整模型本身，可以进一步改善模型。