TensorFlow神经网络实现股票预测

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：

登录后复制

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])1.2.3.4.5.6.7.

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：

登录后复制

pip install matplotlib1.

实现代码如下所示：

登录后复制

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")1.2.3.4.5.6.7.8.9.10.11.12.13.

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：

登录后复制

pip install tensorflow1.

【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：

登录后复制

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_layerw1 = tf.Variable(tf.random_uniform([1,25],0,1))b1 = tf.Variable(tf.zeros([1,25]))wb1 = tf
.matmul(x,w1)+b1layer1 = tf.nn.relu(wb1) # 激励函数# hidden_layer->outputw2 = tf
.Variable(tf.random_uniform([25,1],0,1))b2 = tf.Variable(tf.zeros([30,1]))wb2 = tf
.matmul(layer1,w2)+b2layer2 = 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()1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.
22.23.24.25.26.27.28.29.30.31.32.

运行以上代码可视化神经网络的预测结果如下图所示：

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删