您现在的位置是:首页 >其他 >基于数据预处理工程(增加收益率波动)与GRU结合雅虎美股预测网站首页其他
基于数据预处理工程(增加收益率波动)与GRU结合雅虎美股预测
简介基于数据预处理工程(增加收益率波动)与GRU结合雅虎美股预测
一.模型
-
数据准备:
- 读取股票数据集,数据集保存在"yahoo_stock.csv"文件中。
- 对数据集进行预处理,包括计算收益率、去除缺失值等操作。
-
波动率预测:
- 使用GARCH模型来预测波动率。首先计算收益率的标准差作为初始波动率估计。
- 然后使用滚动窗口的方法,对每个时间点前的数据进行GARCH模型拟合,并进行波动率预测。
-
GRU模型训练与预测:
- 使用GRU模型来预测股票价格。首先对训练数据进行归一化处理。
- 将归一化后的数据按照时间窗口划分为输入和输出序列。
- 构建包含多个GRU层的模型,并使用Adam优化器和均方差损失函数进行编译。
- 训练模型并进行预测。将预测结果反归一化得到实际股票价格。
-
可视化结果:
- 使用Matplotlib库绘制真实价格和预测价格的折线图。
- 计算预测结果的R2得分,评估预测的准确性。
- 程序具体实现过程
-
以下是代码的详细说明:
-
导入所需的库:
- numpy:用于数值计算。
- pandas:用于数据处理和分析。
- random:用于生成随机数。
- os:用于与操作系统交互。
- tensorflow:用于构建和训练神经网络模型。
- matplotlib:用于数据可视化。
- math:用于数学计算。
- arch:用于建立 GARCH 模型。
- sklearn:用于数据预处理和评估指标计算。
-
设置随机种子函数:
- seedBasic:设置基本的随机种子。
- seedTF:设置 TensorFlow 的随机种子。
- seedEverything:设置所有的随机种子。
-
读取股票数据:
- 使用 pandas 库的
read_csv
函数读取名为 "yahoo_stock.csv" 的股票数据。
- 使用 pandas 库的
-
数据预处理:
- 创建新的列 "Return",计算每日收益率。
- 去除包含缺失值的行。
- 计算波动率并拟合 GARCH 模型。
- 绘制收益率和滚动波动率的图表。
-
划分训练集和测试集:
- 将数据集按照 80:20 的比例划分为训练集和测试集。
-
创建训练数据集:
- 使用 MinMaxScaler 进行归一化处理。
- 将训练集数据转换为 LSTM 模型所需的格式。
- 构建 LSTM 模型。
-
训练 LSTM 模型:
- 使用训练数据集训练 LSTM 模型。
-
创建测试数据集:
- 对测试集数据进行预处理和转换。
-
使用训练好的 LSTM 模型进行预测:
- 对测试数据集进行预测。
- 将预测结果逆转换为原始数据范围。
- 绘制真实价格和预测价格的图表。
-
计算预测结果的评估指标:
- 使用 R2 分数评估预测结果的准确性。
二。模型效果图
绘制收益率和滚动波动率的图、
运行效果视频:
风语者!平时喜欢研究各种技术,目前在从事后端开发工作,热爱生活、热爱工作。