LSTM全称长短期记忆人工神经网络（Long-Short Term Memory），是对RNN的变种。

        长短期记忆模型（long-short term memory）是一种特殊的RNN模型，是为了解决反向传播过程中存在梯度消失和梯度爆炸现象，通过引入门（gate）机制，解决了RNN模型不具备的长记忆性问题

        传统的线性模型难以解决多变量或多输入问题，而神经网络如LSTM则擅长于处理多个变量的问题，该特性使其有助于解决时间序列预测问题。

        先准备训练数据，我用的是用tushare获取的600673东阳光的数据，数据是csv格式，上传为附件(点击可以下载)：

600673.csv

全部代码如下(代码为全部代码，复制可以直接运行)：

1. 导入需要用到的库

#import需要用到的库  import numpy as np  import pandas as pd  import matplotlib.pyplot as plt  import tensorflow as tf

import tensorflow.keras  from tensorflow.keras.preprocessing.sequence import pad_sequences  from tensorflow.keras.models import Sequential  from tensorflow.keras.layers import Dense, Dropout, Embedding, LSTM, SpatialDropout1D, SimpleRNN, GRU, Flatten

2.读入数据文件，加载到内存中

# 读入数据文件  df = pd.read_csv('./600673.csv', encoding='gbk')  # 展示数据  df.head() # 显示DataFrame的前若干行，默认为5

数据说明：

3. 对数据进行处理，去掉日期，因为日期对训练无用，已经按照日期排序了

data = df.iloc[:,1:].values  # 展示数据  df.iloc[:,1:].head()

4. 写个例子对数据进行处理，数据标准化，数据量纲不同，数值大小差别很大。数据中，有的为纯小数如0.98，有的数据动辄上万，两者不具有可比性，因此我们需要引入数据标准化。数据标准化处理主要包括数据同趋化和无量纲化处理。

数据标准化的方法有很多种，如：Min-max标准化、Z-score标准化等。 

        Min-max标准化公式为：新数据=（原始数据-最小值）/（最大值-最小值）

         Z-score标准化公式为：新数据=（原始数据-均值）/ 标准差 

本案例中采用的标准化方式为Z-score标准化，数据如下：

df_demo = df.iloc[:,1:].head()  df_demo = (df_demo - np.mean(df_demo,axis=0))/np.std(df_demo,axis=0)  df_demo

下面是数据特征归一化：

LSTM对输入数据的规模很敏感，特别是当使用sigmoid（默认）或tanh激活函数时。需要将数据重新调整到0到1的范围（也称为标准化）。本实验使用scikit-learn库中的MinMaxScaler预处理类实现数据集的规范化

#获取Data中的数据，形式为数组array形式  data = df.iloc[:,1:].values  #确保所有数据为float类型  data=data.astype('float32')     # 特征的归一化处理  scaler = MinMaxScaler(feature_range=(0, 1))  scaled = scaler.fit_transform(data)  print(scaled)

以上两种方法选择一个就好！

5. 数据集获取函数：

# 获取训练集  def get_train_data(time_step,train_begin,train_end):            data_train=data[train_begin:train_end]      y_ = data_train[time_step:train_end, 13]  #     mean, std = np.mean(data_test, axis=0), np.std(data_test, axis=0)  #     mean, std = [],[]  #     normalized_train_data=(data_train-np.mean(data_train,axis=0))/np.std(data_train,axis=0)  #标准化      normalized_train_data = data_train      train_x,train_y=[],[]   #训练集x和y      for i in range(len(normalized_train_data)-time_step):          x=normalized_train_data[i:i+time_step,:13]  #         y=normalized_train_data[i+time_step:i+1+time_step,13,np.newaxis]          y=normalized_train_data[i+time_step:i+1+time_step,13]          train_x.append(x.tolist())          train_y.append(y.tolist())      mean, std = np.mean(train_y, axis=0), np.std(train_y, axis=0)          train_x,train_y,mean,std = np.array(train_x), np.array(train_y),np.array(mean), np.array(std)      train_x=(train_x-np.mean(train_x,axis=0))/np.std(train_x,axis=0)  #标准化      train_y=(train_y-np.mean(train_y,axis=0))/np.std(train_y,axis=0)  #标准化      return train_x,train_y,mean,std, y_

# 获得训练集的数据及其标签和batch_size  print(data.shape)  train_x, train_y, _, _,_= get_train_data(50, 0, 300) #这个50是我自己用的需要你们去调，time_step为20，即每一组数据长度为20  test_x, test_y, test_mean, test_std, test_y_= get_train_data(50, 300, 400)    print(train_x.shape)  print(train_y.shape)  print(test_x.shape)  print(test_y.shape)  print(test_mean.shape)  print(test_std.shape)  print(test_y_.shape)

6. 构建神经网络(当然我弄的模型只是很简单的例子，需要你们自己去调整模型，包括损失函数为交叉熵，优化方法为Adam，模型评价标准这些都需要你们自己去调整，因为我的训练结果并不好)：

## 初始化序列模型  model = Sequential()  ## RNN层，在输入后的线性转换步骤添加随机失活，在循环阶段的线性转换也添加随机失活，失活概率都为0.2  model.add(LSTM(128, input_shape=(50, 13), dropout=0.2, recurrent_dropout=0.2, return_sequences=False))  model.add(Dropout(0.5))  # model.add(LSTM(64, dropout=0.2, recurrent_dropout=0.2, return_sequences=True))  # model.add(Dropout(0.5))  # model.add(LSTM(1, dropout=0.2, recurrent_dropout=0.2, return_sequences=False))  # model.add(Dropout(0.5))  # model.add(Flatten())  # model.add(Dense(1, activation='relu'))  model.add(Dense(1))    ## 定义损失函数为交叉熵，优化方法为Adam，模型评价标准为分类正确率  model.compile(loss='mse', optimizer='Adam', metrics=['accuracy'])  ## 查看模型概要  print(model.summary())

7. 模型训练

# 模型训练（这里面的参数需要你自己来调，我用的这些数据训练的结果并不好）  history = model.fit(x=train_x, y=train_y, ## 指定训练数据                       batch_size=500, ## batch大小为100                      epochs=500, ## 迭代100轮                       validation_data=(test_x,test_y))

8. 用训练模型进行预测：

x, y, x_mean, y_std, y_label= get_train_data(50,465, 565)  print(x.shape)  print(x)  print(x_mean.shape)  print(y_std.shape)  print(y_label.shape)  # x = np.expand_dims(x, 1)  result = model.predict(x, batch_size=1)  print(result.shape)  print(result)  # result = result[0, 49, 0]  # 将标准化的数据还原至真实数据值，并且计算测试集偏差  result=np.array(result)*y_std+x_mean  print(result.shape)    # 将标准化的数据还原至真实数据值，并且计算测试集偏差  # result=np.array(result)*test_std[13]+test_mean[13]  # print(result)    result = np.squeeze(result)  print(y_std, x_mean)  print(y_label)  print(result)

9 . 折线图展示：

# 折线图展示  plt.figure(figsize=(300,150))  data_list=[str(i) for i in range(0, 50)]  plt.plot(data_list[0:49], y_label[0:49], color='r', linewidth=15)  plt.plot(data_list, result, color='b', linewidth=15)  plt.xlabel('date')  plt.ylabel('stock index')  #plt.plot(list(range(len(test_predict))), test_predict, color='b')  #plt.plot(list(range(len(test_y))), test_y, color='r')  plt.show()

归纳总结：

        本案例首先介绍了RNN、LSTM神经网络，再用Python实现了LSTM对股票收盘价的预测。

        股价走势预测属于时间序列预测，数据为东阳光（sh600673）的收盘价。

        主要使用的库为TensorFlow，是Python中常见的用于搭建神经网络的库。

        而其它使用到的库有：多用于科学计算的NumPy库、常见于数据分析任务的Pandas库、负责绘图展示的Matplotlib库。

        除本案例提到的库之外，还有sklearn库和keras库等机器学习常见的库，都是应该熟练掌握的库。

        此外，对于股票收盘价走势预测这一任务，本案例仅使用了东阳光的收盘价这一指标，而其它指标理论上也具有参考价值，可以作为本案例的升级版。

版权声明：本文为期权记的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://www.qiquanji.com/post/160.html