说明：这篇文章来自 2020-2021 年的 WordPress 备份。原始图片附件未随 XML 一起保存，旧服务器图片地址也已失效，因此这里保留正文并移除了失效图片。
RNN
RNN可通过记忆体实现短期记忆进行连续数据的预测 以连续60天的开盘价作为输入特征x_train，第61天的数据作为标签
import numpy as np import tensorflow as tf from tensorflow.keras.layers import Dropout, Dense, SimpleRNN import matplotlib.pyplot as plt import os import pandas as pd from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error, mean_absolute_error import mathmaotai = pd.read_csv(’./SH600519.csv’) # 读取股票文件
training_set = maotai.iloc[0:2426 - 300, 2:3].values # 前(2426-300=2126)天的开盘价作为训练集,表格从0开始计数，2:3 是提取[2:3)列，前闭后开,故提取出C列开盘价 test_set = maotai.iloc[2426 - 300:, 2:3].values # 后300天的开盘价作为测试集
归一化
sc = MinMaxScaler(feature_range=(0, 1)) # 定义归一化：归一化到(0，1)之间 training_set_scaled = sc.fit_transform(training_set) # 求得训练集的最大值，最小值这些训练集固有的属性，并在训练集上进行归一化 test_set = sc.transform(test_set) # 利用训练集的属性对测试集进行归一化
x_train = [] y_train = []
x_test = [] y_test = []
测试集：csv表格中前2426-300=2126天数据
利用for循环，遍历整个训练集，提取训练集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建2426-300-60=2066组数据。
for i in range(60, len(training_set_scaled)): x_train.append(training_set_scaled[i - 60:i, 0]) y_train.append(training_set_scaled[i, 0])
对训练集进行打乱
np.random.seed(7) np.random.shuffle(x_train) np.random.seed(7) np.random.shuffle(y_train) tf.random.set_seed(7)
将训练集由list格式变为array格式
x_train, y_train = np.array(x_train), np.array(y_train)
使x_train符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]。
此处整个数据集送入，送入样本数为x_train.shape[0]即2066组数据；输入60个开盘价，预测出第61天的开盘价，循环核时间展开步数为60; 每个时间步送入的特征是某一天的开盘价，只有1个数据，故每个时间步输入特征个数为1
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
测试集：csv表格中后300天数据
利用for循环，遍历整个测试集，提取测试集中连续60天的开盘价作为输入特征x_train，第61天的数据作为标签，for循环共构建300-60=240组数据。
for i in range(60, len(test_set)): x_test.append(test_set[i - 60:i, 0]) y_test.append(test_set[i, 0])
测试集变array并reshape为符合RNN输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]
x_test, y_test = np.array(x_test), np.array(y_test) x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))
model = tf.keras.Sequential([ SimpleRNN(80, return_sequences=True), Dropout(0.2), SimpleRNN(100), Dropout(0.2), Dense(1) ])
model.compile(optimizer=tf.keras.optimizers.Adam(0.001), loss=‘mean_squared_error’) # 损失函数用均方误差
该应用只观测loss数值，不观测准确率，所以删去metrics选项，一会在每个epoch迭代显示时只显示loss值
checkpoint_save_path = ”./checkpoint/rnn_stock.ckpt”
if os.path.exists(checkpoint_save_path + ‘.index’): print(‘-------------load the model-----------------’) model.load_weights(checkpoint_save_path)
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path, save_weights_only=True, save_best_only=True, monitor=‘val_loss’)
history = model.fit(x_train, y_train, batch_size=64, epochs=50, validation_data=(x_test, y_test), validation_freq=1, callbacks=[cp_callback])
model.summary()
file = open(’./weights.txt’, ‘w’) # 参数提取 for v in model.trainable_variables: file.write(str(v.name) + ‘\n’) file.write(str(v.shape) + ‘\n’) file.write(str(v.numpy()) + ‘\n’) file.close()
loss = history.history[‘loss’] val_loss = history.history[‘val_loss’]
plt.plot(loss, label=‘Training Loss’) plt.plot(val_loss, label=‘Validation Loss’) plt.title(‘Training and Validation Loss’) plt.legend() plt.show()
################## predict ######################
测试集输入模型进行预测
predicted_stock_price = model.predict(x_test)
对预测数据还原---从（0，1）反归一化到原始范围
predicted_stock_price = sc.inverse_transform(predicted_stock_price)
对真实数据还原---从（0，1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:])
画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color=‘red’, label=‘MaoTai Stock Price’) plt.plot(predicted_stock_price, color=‘blue’, label=‘Predicted MaoTai Stock Price’) plt.title(‘MaoTai Stock Price Prediction’) plt.xlabel(‘Time’) plt.ylabel(‘MaoTai Stock Price’) plt.legend() plt.show()
##########evaluate##############
calculate MSE 均方误差 ---> E[(预测值-真实值)^2] (预测值减真实值求平方后求均值)
mse = mean_squared_error(predicted_stock_price, real_stock_price)
calculate RMSE 均方根误差--->sqrt[MSE] (对均方误差开方)
rmse = math.sqrt(mean_squared_error(predicted_stock_price, real_stock_price))
calculate MAE 平均绝对误差----->E[|预测值-真实值|](预测值减真实值求绝对值后求均值）
mae = mean_absolute_error(predicted_stock_price, real_stock_price) print(‘均方误差: %.6f’ % mse) print(‘均方根误差: %.6f’ % rmse) print(‘平均绝对误差: %.6f’ % mae)
预测结果：
LSTM
当连续数据的序列变长时，会使展开时间步过长，在反向传播更新参数时，梯度要按照时间步连续相乘，会导致梯度消失，题出长短记忆网络LSTM。
LSTM计算过程
W是待训练参数，h是待训练偏置项，都经过sigmod使门限范围在0-1 细胞态表长期记忆，等于上个时期的长期记忆乘以遗忘门，加上当前时刻归纳出的新知识乘以输入门 记忆体表示短期记忆，属于长期记忆的一部分，是细胞态过tanh函数乘以输出门的结果 候选态 表示归纳出的待存入细胞态的新知识
TF实现
tf.keras.layers.LSTM(记忆体个数，return_sequences=是否返回输出)
return_sequences=True 各时间步输出ht
return_sequences=False 仅最后时间步输出ht（默认）
股票预测代码
改动上面代码的model
model = tf.keras.Sequential([
LSTM(80, return_sequences=True),
Dropout(0.2),
LSTM(100),
Dropout(0.2),
Dense(1)
])预测效果
GRU
GRU使记忆体ht融合了长期记忆和短期记忆
GRU计算过程
TF实现
tf.keras.layers.GRU(记忆体个数，return_sequences=是否返回输出)
return_sequences=True 各时间步输出ht
return_sequences=False 仅最后时间步输出ht（默认）
代码
model = tf.keras.Sequential([
GRU(80, return_sequences=True),
Dropout(0.2),
GRU(100),
Dropout(0.2),
Dense(1)
])预测结果：