https://github.com/iskage/rnn-quant
Stock prediction model based on neural network LSTM 基于神经网络LSTM的股票预测模型
https://github.com/iskage/rnn-quant
lstm python pytorch
Last synced: 2 months ago
JSON representation
Stock prediction model based on neural network LSTM 基于神经网络LSTM的股票预测模型
- Host: GitHub
- URL: https://github.com/iskage/rnn-quant
- Owner: isKage
- License: mit
- Created: 2024-09-22T13:28:10.000Z (8 months ago)
- Default Branch: main
- Last Pushed: 2025-03-16T07:14:25.000Z (2 months ago)
- Last Synced: 2025-03-16T08:22:35.786Z (2 months ago)
- Topics: lstm, python, pytorch
- Language: Python
- Homepage:
- Size: 8.79 KB
- Stars: 11
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# 基于 LSTM 网络的股票预测模型
> 原项目逻辑混乱，故覆写了一份
> 注意：投资须谨慎，本项目预测模型非常简单，对选股投资无实际参考价值
`Python3.9` `Pytorch` `LSTM` `baostock`
## 1. 简介
本项目基于`python3.9`，通过`baostock`模块爬去a股数据，利用`Pytorch`模块搭建LSTM神经网络，用于预测个股收盘价格。
其中 LSTM 网络模型框架为一层`nn.LSTM`，隐藏状态层为`3`(可自主设计)。一层全连接层，用于输出股价。
## 2. 使用方法
### 1. 安装
打开终端，进入一个空目录（用于存放本项目代码），例如
```
mkdir <新目录>
cd <新目录>
```
输入以下指令克隆仓库
```
git clone [email protected]:isKage/rnn-quant.git
```
### 2. 安装必要的包和模块
进入项目根目录
```
cd nn_quant
```
可以列举以下当前目录下的文件，查看是否有[requirements.txt](requirements.txt)文件。执行命令
```
pip install -r requirements.txt
```
> 或者使用conda或是virtualenv创建虚拟环境后执行
### 3. 执行训练脚本
建议初学者使用Pycharm等IDEA打开文件并执行
1. 修改`train.py`文件中的`stock_code`变量，填入对应的股票代码
2. 修改`train.py`文件中的`index_code`变量，填入对应的市场指数代码
3. 运行`train.py`运行成功后，在`model_param`文件夹下会存储对应的模型参数
### 4. 预测
类似训练脚本的设置，
1. 修改`prediction.py`文件中的`stock_code`变量，填入对应的股票代码
2. 修改`prediction.py`文件中的`index_code`变量，填入对应的市场指数代码
3. 运行`prediction.py`运行成功后，在`prediction_data`和`prediction_plot`文件夹下会存储对应的预测数据和图像
数据为`.csv`格式，第一个数据为最新收盘价，往后数据为预测收盘价（如需改变预测天数，可以修改`prediction.py`的`prediction_step`参数
### 5. 其他
进阶使用，可以自行修改相关参数和网络结构
## 3. 仓库框架
1. 训练脚本
存储在 [train.py文件](train.py)
2. 数据预处理
封装在 [dataset.py文件](dataset.py)
3. 网络结构
存储在 [model.py文件](model.py)
4. 训练后的网络模型参数
存储在 [model_param目录](./model_param)
5. 预测结果和图像
存储在 [prediction_data目录](./prediction_data) 和[prediction_plot目录](prediction_plot)