基于LSTM神经网络的股票预测（Python+pytorch）

您所在的位置：网站首页 › python实现股票预测 › 基于LSTM神经网络的股票预测（Python+pytorch）

基于LSTM神经网络的股票预测（Python+pytorch）

#基于LSTM神经网络的股票预测（Python+pytorch）| 来源: 网络整理| 查看: 265

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥a

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述为了解决循环神经网络存在的梯度消失等问题，专家学者经过研究提出了长短期记忆（Long-Short Term Memory ， LSTM ）神经网络。 LSTM 神经网络从本质上来说是一种特殊的循环神经网络，能够用来处理长期依赖问题。经过大量的研究结论证明 LSTM 神经网络已经解决了循环神经网络无法解决的许多问题，在时间序列预测问题上获得了更进一步的成功 [54] 。 LSTM 神经网络增加了一个信息存储记忆单元，可以维持一个持续信息流，使得梯度不会消失或爆炸。同时构造了遗忘门（Forget Gate ），输入门（ Input Gate ），输出门（ Output Gate ）分别对该记忆单元进行控制。这三个门就像滤波器一样，遗忘门控制记忆单元状态信息的舍弃与保留，输入门更新记忆单元状态，输出门控制 LSTM 单元输出。 LSTM 神经网络拥有着与循环神经网络相似的结构，不同之处在于它是通过内部的各个模块协同工作的[55] 。 LSTM 神经网络结构图如下。

LSTM 神经网络的优点主要表现在以下三方面：（1 ）解决了循环神经网络存在的长期依赖问题，能够处理时间滞后很长的数据序列。如果在某个时刻下信息较为重要，那么它对应的遗忘门位置会一直保留在接近于 1 的数值。这样就可以让这个时刻的信息一直往下传递下去而不被丢失，这就是 LSTM 神经网络能够处理长序列的原因之一。（2）收敛性好。遗忘门对上一时刻的记忆进行控制，再加上当前输入产生当前时刻的新记忆。“门”结构的加入，提供了控制网络中信息传递的工具，让 LSTM神经网络能够记忆较为长期的信息。因此，通过遗忘门便可以对先前记忆进行处理进而对网络的输出产生影响[56] 。（3）不易发生梯度消失或爆炸。循环神经网络在基于时间的反向传播中存在激活函数导数的乘数，与之相比 LSTM 神经网络其相应导数不是以乘积的形式存在，而是通过累加的方式进行计算。这一改变使得梯度消失和爆炸问题获得解决，同时不易陷入局部最优。

📚2 运行结果 # 归一化，便与训练 train_data_numpy = np.array(train_data) train_mean = np.mean(train_data_numpy) train_std = np.std(train_data_numpy) train_data_numpy = (train_data_numpy - train_mean) / train_std train_data_tensor = torch.Tensor(train_data_numpy) # 创建 dataloader train_set = TrainSet(train_data_tensor) train_loader = DataLoader(train_set, batch_size=10, shuffle=True)

for i in range(DAYS_BEFORE, len(all_series)): x = all_series[i - DAYS_BEFORE:i] # 将 x 填充到 (bs, ts, is) 中的 timesteps x = torch.unsqueeze(torch.unsqueeze(x, dim=0), dim=2) if torch.cuda.is_available(): x = x.cuda() y = rnn(x) if i

【本文地址】

基于LSTM神经网络的股票预测（Python+pytorch）

基于LSTM神经网络的股票预测（Python+pytorch）

今日新闻

推荐新闻