用Python获取股票数据并实现未来收盘价的预测
获取数据
先用下面这段代码获取上证指数的历史数据，得到的csv文件数据，为后面训练模型用的
import akshare as ak
import pandas as pd# 获取上证指数历史数据
df = ak.stock_zh_index_daily(symbol="sh000001")# 将数据保存到本地CSV文件
df.to_csv("sh000001.csv", index=False, encoding="utf-8-sig")# 打印数据
print(df)
注意：运行上段代码之前，需要先用下面这个指令安装akshare包：
pip install akshare
运行完上述代码之后，会得到如下一个csv文件：
训练模型
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader# ------------------------
# 1. 加载数据
# ------------------------
data = pd.read_csv('sh000001.csv') # 替换为你的文件路径
data['date'] = pd.to_datetime(data['date'])
data.set_index('date', inplace=True)# 提取收盘价数据
close_prices = data['close'].values.reshape(-1, 1)# ------------------------
# 2. 数据预处理
# ------------------------
# 归一化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_close = scaler.fit_transform(close_prices)# 创建时间序列数据集（滑动窗口）
def create_dataset(data, window_size=60):X, y = [], []for i in range(len(data) - window_size - 7): # 预测未来7天X.append(data[i:i+window_size])y.append(data[i+window_size:i+window_size+7]) # 输出未来7天的数据return np.array(X), np.array(y)window_size = 60 # 用过去60天的数据预测未来7天
X, y = create_dataset(scaled_close, window_size)# 划分训练集和测试集
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]# 转换为PyTorch张量
X_train = torch.FloatTensor(X_train)
y_train = torch.FloatTensor(y_train)
X_test = torch.FloatTensor(X_test)
y_test = torch.FloatTensor(y_test)# 自定义Dataset类
class TimeSeriesDataset(Dataset):def __init__(self, X, y):self.X = Xself.y = ydef __len__(self):return len(self.X)def __getitem__(self, idx):return self.X[idx], self.y[idx]# 创建DataLoader
batch_size = 64
train_dataset = TimeSeriesDataset(X_train, y_train)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)# ------------------------
# 3. 定义LSTM模型
# ------------------------
class LSTMModel(nn.Module):def __init__(self, input_size=1, hidden_size=50, output_size=7):super().__init__()self.hidden_size = hidden_sizeself.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)self.linear = nn.Linear(hidden_size, output_size)def forward(self, x):# LSTM层out, (h_n, c_n) = self.lstm(x)# 仅取最后一个时间步的隐藏状态out = self.linear(out[:, -1, :])return out# 初始化模型
model = LSTMModel(input_size=1, hidden_size=100, output_size=7)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# ------------------------
# 4. 训练模型
# ------------------------
num_epochs = 50
model.train()for epoch in range(num_epochs):for batch_X, batch_y in train_loader:# 前向传播outputs = model(batch_X)loss = criterion(outputs, batch_y.squeeze())# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()*1000:.6f}')# ------------------------
# 5. 预测与评估
# ------------------------
model.eval()
with torch.no_grad():# 测试集预测test_pred = model(X_test)test_pred = test_pred.numpy()# 反归一化test_pred = scaler.inverse_transform(test_pred.reshape(-1, 1)).reshape(-1, 7)y_test_actual = scaler.inverse_transform(y_test.numpy().reshape(-1, 1)).reshape(-1, 7)# 预测未来7天（使用最新数据）last_window = scaled_close[-window_size:].reshape(1, window_size, 1)last_window_tensor = torch.FloatTensor(last_window)future_pred = model(last_window_tensor).numpy()future_pred = scaler.inverse_transform(future_pred.reshape(-1, 1)).flatten()# ------------------------
# 6. 可视化结果
# ------------------------
# 测试集预测示例（取第一条样本）
plt.figure(figsize=(12, 6))
plt.plot(y_test_actual[0], label='True Future')
plt.plot(test_pred[0], label='Predicted Future')
plt.legend()
plt.title('Test Set Prediction Example')
plt.show()# 未来7天预测
print("未来7天收盘价预测:")
for i, price in enumerate(future_pred):print(f'Day {i+1}: {price:.2f}')
关键步骤解释
数据预处理：
使用 MinMaxScaler 归一化收盘价到 [0, 1]。
创建滑动窗口数据集（用过去 window_size=60 天的数据预测未来7天）。
模型结构：
LSTM层：输入维度为1（单变量时间序列），隐藏层维度为100。
全连接层：将LSTM最后一个时间步的隐藏状态映射到未来7天的输出。
训练与预测：
使用均方误差（MSE）作为损失函数。
训练完成后，对测试集和未来7天进行预测，并反归一化得到实际价格。
未来预测：
使用最新的 window_size=60 天数据生成输入窗口，预测未来7天收盘价。
相关文章：
用Python获取股票数据并实现未来收盘价的预测
获取数据 先用下面这段代码获取上证指数的历史数据，得到的csv文件数据，为后面训练模型用的 import akshare as ak import pandas as pd# 获取上证指数历史数据 df ak.stock_zh_index_daily(symbol"sh000001")# 将数据保存到本地CSV文件 df.…...
[openwrt]openwrt slaac only模式下部分终端无法获取到IPv6 DNS
问题描述 OpenWrt 中，如果启用了 RA 单播（ra_unicast），但部分终端无法获取到 DNS 信息 问题分析 RA 单播的局限性 并非所有终端都完全支持通过单播接收 RA 消息。部分终端可能无法正确解析单播 RA 中的 RDNSS（Recursive DNS Server）选项，从而导致无法获取 DNS 信息。终…...
【redis】数据类型之list
Redis的List数据类型是一个双向链表，支持在链表的头部（left）和尾部（right）进行元素的插入（push）和弹出（pop）操作。这使得List既可以用作栈（stack）…...
电脑连接wifi但是浏览器打开不了网页，使用手机热点能正常使用
电脑连接wifi但是浏览器打开不了网页，使用手机热点能正常使用 打开控制面板 打开网络和Internet（查看网络状态和任务） 点击更改适配器设置 双击WLAN 点击属性并双击打开Internet 协议版本4（TCP/IPv4） 将自动…...
el-table中的某个字段最多显示两行，超出部分显示“...详情”，怎么办
文章目录 背景需求需求分析 解决方案在线体验灵感来源我的实现方案 总结 背景 需求 比如，有如下一个表格，请你实现它： 要求： 最多显示两行超出部分显示为：“…详情”点击详情，展开全部内容 说明&#x…...
Vue el-input密码输入框 按住显示密码，松开显示*；阻止浏览器密码回填，自写密码输入框；校验输入非汉字内容；文本框聚焦到内容末尾；
输入框功能集合 <template><div style"padding: 10px"><!-- 密码输入框 --><el-input:type"inputType"v-model"password"placeholder"请输入密码"auto-complete"new-password"id"pwd"style…...
尚硅谷课程【笔记】——大数据之Shell【一】
课程视频：【【尚硅谷】Shell脚本从入门到实战】 一、Shell概述 为什么要学习Shell？ 1）需要看懂运维人员的Shell程序 2）偶尔编写一些简单的Shell程序来管理集群、提高开发效率 什么是Shell？ 1）Shell是一…...
4年测试｜20-30K｜金山办公｜大模型测开3轮面经
一面时间：面试时长一小时左右 二面时间：面试时长基本满一小时 HR面时间：面试流程上全部结束了，内容如下： 前言： 岗位：自己想投递base珠海，金山办公的HR捞了下。why choose Zhuha…...
【负载均衡式在线OJ】实现负载均衡
目录 管理服务器 增加负载 && 减少负载 重置负载 && 获得负载 负载均衡 添加配置信息 什么是负载均衡 如何实现？ 管理服务器 增加负载 && 减少负载 客户端访问一次服务器，负载就加1。客户端结束访问服务器，…...
网络安全-防御 第一次作业（由于防火墙只成功启动了一次未补截图）
防火墙安全策略课堂实验报告 一、拓扑 本实验拓扑包含预启动设备、DMZ区域（含OA Server和Web Server）、防火墙（FW1）、Trust区域（含办公区PC和生产区PC）等。具体IP地址及连接关系如给定拓扑图所示…...
大数据挖掘--两个角度理解相似度计算理论
文章目录 0 相似度计算可以转换成什么问题1 集合相似度的应用1.1 集合相似度1.1文档相似度1.2 协同过滤用户-用户协同过滤物品-物品协同过滤 1.2 文档的shingling--将文档表示成集合1.2.1 k-shingling1.2.2 基于停用词的 shingling 1.3 最小哈希签名1.4 局部敏感哈希算法&#…...
【Mybatis Plus】JSqlParser解析sql语句
【Mybatis Plus】JSqlParser解析sql语句 【一】JSqlParser 是什么【二】JSqlParser 的安装步骤【三】使用场景【1】sql语句解析【2】SQL 语句转换【3】SQL 语句生成【4】SQL 语句验证 【四】在使用 JSqlParser 时，如何处理 SQL 注入攻击？【1】使用预编译…...
vue3 + ElementPlus 封装列表表格组件包含分页
在前端开发中，封装组件是必不可少的。今天就来封装一个通用的列表表格组件，包含分页功能，可以提高代码的复用性和可维护性。 1. 组件设计 Props： tableData：表格数据。columns：表格列配置。totalÿ…...
springboot3整合knife4j详细版，包会！（不带swagger2玩）
1. 引入依赖 <dependency><groupId>com.github.xiaoymin</groupId><artifactId>knife4j-openapi3-jakarta-spring-boot-starter</artifactId><version>4.4.0</version> </dependency>2. 配置文件 简短必要版 # 配置springd…...
Vue2自定义指令实现优雅的前端埋点方案
背景介绍 在前端开发中，埋点是一个非常常见的需求。通常我们需要记录用户的操作行为，以便于后续的数据分析和问题排查。传统的埋点方式往往是在每个需要埋点的地方都写一段上报代码，这样不仅代码重复度高，而且维护起来也比较麻烦…...
1.攻防世界 题目名称-文件包含
进入题目页面如下 直接给出了源码进行代码审计 题目给出提示是文件包含的题 代码审计 <?php // 高亮显示当前 PHP 文件的源代码，方便查看和调试 highlight_file(__FILE__);// 包含名为 "check.php" 的文件，通常这个文件中可能包含一些用…...
Ruby Dir 类和方法详解
Ruby Dir 类和方法详解 引言 在Ruby编程语言中，Dir类是一个非常有用的工具，它允许我们与文件系统进行交互，如列出目录内容、检查文件是否存在等。Dir类提供了多种方法，使得文件系统的操作变得简单且高效。本文将详细介绍Ruby中的…...
axios 发起 post请求 json 需要传入数据格式
• 1. axios 发起 post请求 json 传入数据格式 • 2. axios get请求 1. axios 发起 post请求 json 传入数据格式 使用 axios 发起 POST 请求并以 JSON 格式传递数据是前端开发中常见的操作。 下面是一个简单的示例，展示如何使用 axios 向服务器发送包含 JSON 数…...
Windows编程：下载与安装 Visual Studio 2010
本节前言 在写作本节的时候，本来呢，我正在写的专栏，是 MFC 专栏。而 VS2010 和 VS2019，正是 MFC 学习与开发中，可以使用的两款软件。然而呢，如果你去学习 Windows API 知识的话，那么࿰…...
函数实现图像像素双边滤波处理)
python学opencv|读取图像（五十七）使用cv2.bilateralFilter()函数实现图像像素双边滤波处理
【1】引言 前序学习过程中，已经掌握了对图像的基本滤波操作技巧，具体的图像滤波方式包括均值滤波、中值滤波和高斯滤波，相关文章链接有： python学opencv|读取图像（五十四）使用cv2.blur()函数实现图像像素…...
基于Typescript，使用Vite构建融合Vue.js的Babylon.js开发环境
一、创建Vite项目 使用Vite初始化一个VueTypeScript项目： npm create vitelatest my-babylon-app -- --template vue-ts cd my-babylon-app npm create vitelatest my-babylon-app -- --template vue-ts 命令用于快速创建一个基于 Vite 的 Vue TypeScript 项目。…...
DockerFile详细学习
目录 1.DockerFile介绍 2.DockerFile常用指令 3.指令详细讲解 4.实例 构建Node-Exporter 构建Alertmanager 构建Mariadb 1.DockerFile介绍 什么是 Dockerfile？ Dockerfile 是一个文本文件，包含了构建 Docker 镜像的所有指令。 Dockerfile 是一…...
 -- 可变参数模版和lambda)
C++11详解(三) -- 可变参数模版和lambda
文章目录 1.可变模版参数1.1 基本语法及其原理1.2 包扩展1.3 empalce系列接口1.3.1 push_back和emplace_back1.3.2 emplace_back在list中的使用（模拟实现） 2. lambda2.1 lambda表达式语法2.2 lambda的捕捉列表2.3 lambda的原理 1.可变模版参数 1.1 基本…...
IDEA 中集成 Maven，配置环境、创建以及导入项目
目录 在 IntelliJ IDEA 中集成 Maven 并配置环境 1. 打开 IDEA 设置 2. 定位 Maven 配置选项 3. 配置 Maven 路径 4. 应用配置 创建 Maven 项目 1. 新建项目 2. 选择项目类型 3. 配置项目信息 4. 确认 Maven 设置 5. 完成项目创建 导入 Maven 项目 1. 打开导入窗口…...
讯飞智作 AI 配音技术浅析（三）：自然语言处理
自然语言处理（NLP）是讯飞智作 AI 配音技术的重要组成部分，负责将输入的文本转换为机器可理解的格式，并提取出文本的语义和情感信息，以便生成自然、富有表现力的语音。 一、基本原理 讯飞智作 AI 配音的 NLP 技术主要包…...
html转PDF文件最完美的方案（wkhtmltopdf）
目录 需求 一、方案调研 二、wkhtmltopdf使用 如何使用 文档简要说明 三、后端服务 四、前端服务 往期回顾 需求 最近在做报表类的统计项目，其中有很多指标需要汇总，网页内容有大量的echart图表，做成一个网页去浏览，同时…...
漏洞挖掘 | 基于mssql数据库的sql注入
视频教程在我主页简介或专栏里 目录： 前记 0x1 判断网站数据库类型 0x2 了解mssql数据库的主要三大系统表 0x3 了解mssql的主要函数 0x4 判断注入点及其注入类型 0x5 联合查询之判断列数 0x6 联合查询之获取数据库相关信息 0x7 mssql之时间盲注 0x8 mssql之报错注…...
.Net Core笔记知识点（跨域、缓存）
设置前端跨域配置示例： builder.Services.AddCors(option > {option.AddDefaultPolicy(policy > {policy.WithOrigins(originUrls).AllowAnyMethod().AllowAnyHeader().AllowCredentials();});});var app builder.Build();app.UseCors(); 【客户端缓存】接…...
JS实现一个通用的循环填充数组的方法
function createFilledArray(length, pattern) {return Array.from({ length }, (_, i) > pattern[i % pattern.length]); }// 示例 const result createFilledArray(8, [1, 2, 3]);console.log(result); // [1, 2, 3, 1, 2, 3, 1, 2]解析： createFilledArray(…...
)
Java项目: 基于SpringBoot+mybatis+maven+mysql实现的智能学习平台管理系(含源码+数据库+毕业论文)
一、项目简介 本项目是一套基于SpringBootmybatismavenmysql实现的智能学习平台管理系统 包含：项目源码、数据库脚本等，该项目附带全部源码可作为毕设使用。 项目都经过严格调试，eclipse或者idea 确保可以运行！ 该系统功能完善、…...
Rust HashMap ：当储物袋遇上物品清单
开场白：哈希映射的魔法本质 在Rust的奇幻世界里，HashMap就像魔法师的储物袋： 键值对存储 → 每个物品都有专属咒语（键）和实体（值）快速查找 → 念咒瞬间召唤物品动态扩容 → 自动伸展的魔法空间…...
力扣-哈希表-18 四数之和
思路 和《三数之和》类似，也使用类似双指针的操作，重点在去重，细节是多个数目相加需要小心超出范围，强转一下。 代码 class Solution { public:vector<vector<int>> fourSum(vector<int>& nums, int tar…...
DeepSeek-VL2论文解读：用于高级多模态理解的专家混合视觉语言模型
github:https://github.com/deepseek-ai/DeepSeek-VL2 paper: https://github.com/deepseek-ai/DeepSeek-VL2/blob/main/DeepSeek_VL2_paper.pdf 大型视觉语言模型（VLMs）已经成为人工智能领域的变革性力量，将大型语言模型（LLMs&…...
PHP JSON操作指南
PHP JSON操作指南 概述 JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成。PHP作为一门流行的服务器端脚本语言，支持对JSON数据进行读取、编写和解析。本文将…...
使用ES5和ES6求函数参数的和、解析URL Params为对象
文章目录 1 使用ES5和ES6求函数参数的和1.1 ES51.2 ES6 2 解析URL Params为对象 1 使用ES5和ES6求函数参数的和 1.1 ES5 function sum() {let sum 0;Array.prototype.forEach.call(arguments, function(item) {sum item * 1;})return sum; }1.2 ES6 function sum(...nums)…...
Python 数据挖掘与机器学习
模块一：Python编程 Python编程入门 1、Python环境搭建 2、如何选择Python编辑器？ 3、Python基础 4、常见的错误与程序调试 5、第三方模块的安装与使用 6、文件读写（I/O） Python进阶与提高 1、Numpy模块库 2、Pandas模块…...
【华为OD-E卷 - 108 最大矩阵和 100分（python、java、c++、js、c）】
【华为OD-E卷 - 最大矩阵和 100分（python、java、c、js、c）】 题目 给定一个二维整数矩阵，要在这个矩阵中选出一个子矩阵，使得这个子矩阵内所有的数字和尽量大，我们把这个子矩阵称为和最大子矩阵，子矩阵的…...
Mysql系列之--重新认识Mysql
1、Mysql是什么 Mysql是一个被广泛使用的开源的关系型数据库管理系统（RDBMS），使用结构化查询语句SQL进行管理和操作数据。Mysql有客户端和服务端，客户端通过ip地址、端口、用户名、密码连接到服务端，然后使用SQL语句进…...
利用UNIAPP实现短视频上下滑动播放功能
在 UniApp 中实现一个短视频上下滑动播放的功能，可以使用 swiper 组件来实现滑动效果，并结合 video 组件来播放短视频。以下是一个完整的示例，展示如何在 UniApp 中实现这一功能。 1. 创建 UniApp 项目 如果你还没有创建 UniApp 项目，可以使用 HBuilderX 创建一个新的项目…...
计算机毕业设计hadoop+spark+hive民宿推荐系统 酒店推荐系统 民宿价格预测 酒店价预测 机器学习 深度学习 Python爬虫 HDFS集群
温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 作者简介：Java领…...
Shell 中的 Globbing：原理、使用方法与实现解析（中英双语）
Shell 中的 Globbing：原理、使用方法与实现解析 在 Unix Shell（如 Bash、Zsh）中，globbing 是指 文件名模式匹配（filename pattern matching），它允许用户使用特殊的通配符（wildcards…...
解决 ssh connect to host github.com port 22 Connection timed out
一、问题描述 本地 pull/push 推送代码到 github 项目报 22 端口连接超时，测试连接也是 22 端口连接超时 ssh 密钥没问题、也开了 Watt Toolkit 网络是通的，因此可以强制将端口切换为 443 二、解决方案 1、测试连接 ssh -T gitgithub.com意味着无法通…...
CSS的媒体查询语法
CSS的媒体查询语法 常见的媒体类型常见的特性示例 CSS的媒体查询语法可以根据不同的设备特性（如屏幕尺寸、分辨率等）应用不同的样式。基本语法如下： media 媒体类型 and (特性: 值) {/* 样式规则 */ }常见的媒体类型 screen：用于…...
生产环境超实用shell脚本一
生产环境超实用shell脚本一 Shell脚本作为一种强大的自动化工具，能够帮助运维人员轻松应对各种复杂的任务。 本文将为您介绍服务器健康检查、日志清理、备份以及监控等多个方面，并详细阐述每个脚本的功能和应用场景，助力您提升运维效率&…...
【1】高并发导出场景下，服务器性能瓶颈优化
高并发导出场景下，服务器性能瓶颈通常出现在 CPU、内存、磁盘 I/O 或网络带宽等方面。为了解决这些问题，可以从以下几个方面进行优化： 1. 优化导出逻辑 减少计算复杂度：检查导出逻辑中是否存在不必要的计算或重复操作，…...
go的sync包学习
包含了sync.Mutex,sync.RWMutex,sync.Cond,sync.Map,sync.Once等demo sync.Mutex //讲解mutex import ("fmt""math/rand""sync""time" )type Toilet struct {m sync.Mutex } type Person struct {Name string }var DateTime "2…...
一文读懂：TCP网络拥塞的应对策略与方案
TCP（传输控制协议）是互联网中广泛使用的可靠传输协议，它通过序列号、确认应答、重发控制、连接管理以及窗口控制等机制确保数据的可靠传输。然而，在网络环境中，由于多个主机共享网络资源，网络拥塞成为了一个…...
用DeepSeek分析总结一下DeepSeek发表过的8篇论文
1. 《深度求索大语言模型：以长期主义拓展开源语言模型》（2024年1月5日） 2. 《深度求索代码模型：当大语言模型遇上编程——代码智能的崛起》（2024年1月26日） 3. 《深度求索视觉语言模型：迈向真…...
node.js使用mysql2对接数据库
一、引言 在现代Web开发中，Node.js作为一种高效、轻量级的JavaScript运行时环境，已经广泛应用于后端服务的开发中。而MySQL，作为一个广泛使用的关系型数据库管理系统（RDBMS），提供了强大的数据存储和查询功能…...
华为支付-免密支付接入免密代扣说明
免密代扣包括支付并签约以及签约代扣场景。 开发者接入免密支付前需先申请开通签约代扣产品（即申请配置免密代扣模板及协议模板ID）。 华为支付以模板维度管理每一个代扣扣费服务，主要组成要素如下： 接入免密支付需注意&#x…...