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

深度学习的奋斗者 2024-06-17 10:19:24
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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 程序具体实现过程
  6. 以下是代码的详细说明:

  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 训练 LSTM 模型:

    • 使用训练数据集训练 LSTM 模型。
  14. 创建测试数据集:

    • 对测试集数据进行预处理和转换。
  15. 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。
  16. 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:

 基于数据预处理工程与GRU结合雅虎美股预测_哔哩哔哩_bilibili

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。