DL之GRU：基于2022年6月最新上证指数数据集结合Pytorch框架利用GRU算法预测最新股票上证指数实现回归预测

mignri
具有明日 2022-09-19 10:21:30 49761
分类专栏： 资讯

DL之GRU：基于2022年6月最新上证指数数据集结合Pytorch框架利用GRU算法预测最新股票上证指数实现回归预测

目录

基于2022年6月最新上证指数数据集结合Pytorch框架利用GRU算法预测最新股票上证指数实现回归预测

0、数据集预整理

1、读取数据集

2、数据预处理

2.1、数据清洗

2.2、时间格式数据标准化

2.3、定义y_train

2.4、构造时序性矩阵数据集：基于y重新设计训练集——符合时序性

2.5、对训练集进行 Z_score标准归一化处理

2.6、将训练集的df格式转为tensor格式

3、模型训练

3.1、模型建立：定义GRU模型、优化器、损失函数

3.2、模型训练：及时保存训练过程中的模型

3.3、对标签数据单独进行归一化

3.4、基于GRU模型预测：基于训练好的GRU模型，预测test数据集

3.5、模型评估

相关文章
DL之GRU(Pytorch框架)：基于2022年6月最新上证指数数据集利用GRU算法预测最新股票上证指数实现回归预测
DL之GRU(Pytorch框架)：基于2022年6月最新上证指数数据集利用GRU算法预测最新股票上证指数实现回归预测实现

基于2022年6月最新上证指数数据集结合Pytorch框架利用GRU算法预测最新股票上证指数实现回归预测

0、数据集预整理

数据集下载地址：上证指数（000001）历史交易数据_股票行情_网易财经

1、读取数据集

(7700, 11)

日期股票代码名称收盘价最高价最低价开盘价前收盘涨跌额涨跌幅成交量成交金额
1990/12/19'000001上证指数99.9899.9895.7996.05NoneNoneNone1260494000
1990/12/20'000001上证指数104.39104.3999.98104.399.984.414.410919784000
1990/12/21'000001上证指数109.13109.13103.73109.07104.394.744.54072816000
1990/12/24'000001上证指数114.55114.55109.13113.57109.135.424.96663231000
1990/12/25'000001上证指数120.25120.25114.55120.09114.555.74.976156000
1990/12/26'000001上证指数125.27125.27120.25125.27120.255.024.174610053000
1990/12/27'000001上证指数125.28125.28125.27125.27125.270.010.00866104000
1990/12/28'000001上证指数126.45126.45125.28126.39125.281.170.933910888000
1990/12/31'000001上证指数127.61127.61126.48126.56126.451.160.91747860000
1991/1/2'000001上证指数128.84128.84127.61127.61127.611.230.96399159000
1991/1/3'000001上证指数130.14130.14128.84128.84128.841.31.00914193000
1991/1/4'000001上证指数131.44131.44130.14131.27130.141.30.9989420261000
1991/1/7'000001上证指数132.06132.06131.45131.99131.440.620.4717217141000
1991/1/8'000001上证指数132.68132.68132.06132.62132.060.620.469529261806000
1991/1/9'000001上证指数133.34133.34132.68133.3132.680.660.497456033228000
1991/1/10'000001上证指数133.97133.97133.34133.93133.340.630.472599905399000
1991/1/11'000001上证指数134.6134.61134.51134.61133.970.630.4703133277115000
1991/1/14'000001上证指数134.67135.19134.11134.11134.60.070.052125306883000
1991/1/15'000001上证指数134.74134.74134.19134.21134.670.070.05214461010000
1991/1/16'000001上证指数134.24134.74134.14134.19134.74-0.5-0.3711509270000

2、数据预处理

2.1、数据清洗

2.2、时间格式数据标准化

利用strptime()函数，将时间改为%Y-%m-%d格式

2.3、定义y_train

y_train shape： (7200,)

2.4、构造时序性矩阵数据集：基于y重新设计训练集——符合时序性

  1. data_all_train shape： (7190, 11)
  2. data_all_train 
  3.          label_0    label_1    label_2  ...    label_8    label_9          y
  4. 0       99.9800   104.3900   109.1300  ...   127.6100   128.8400   130.1400
  5. 1      104.3900   109.1300   114.5500  ...   128.8400   130.1400   131.4400
  6. 2      109.1300   114.5500   120.2500  ...   130.1400   131.4400   132.0600
  7. 3      114.5500   120.2500   125.2700  ...   131.4400   132.0600   132.6800
  8. 4      120.2500   125.2700   125.2800  ...   132.0600   132.6800   133.3400
  9. ...         ...        ...        ...  ...        ...        ...        ...
  10. 7185  2870.3422  2868.4587  2875.4176  ...  2846.5473  2836.8036  2846.2217
  11. 7186  2868.4587  2875.4176  2898.5760  ...  2836.8036  2846.2217  2852.3512
  12. 7187  2875.4176  2898.5760  2883.7378  ...  2846.2217  2852.3512  2915.4311
  13. 7188  2898.5760  2883.7378  2867.9237  ...  2852.3512  2915.4311  2921.3980
  14. 7189  2883.7378  2867.9237  2813.7654  ...  2915.4311  2921.3980  2923.3711
  15.  
  16. [7190 rows x 11 columns]
label_0label_1label_2label_3label_4label_5label_6label_7label_8label_9y
099.98104.39109.13114.55120.25125.27125.28126.45127.61128.84130.14
1104.39109.13114.55120.25125.27125.28126.45127.61128.84130.14131.44
2109.13114.55120.25125.27125.28126.45127.61128.84130.14131.44132.06
3114.55120.25125.27125.28126.45127.61128.84130.14131.44132.06132.68
4120.25125.27125.28126.45127.61128.84130.14131.44132.06132.68133.34
5125.27125.28126.45127.61128.84130.14131.44132.06132.68133.34133.97
6125.28126.45127.61128.84130.14131.44132.06132.68133.34133.97134.6
7126.45127.61128.84130.14131.44132.06132.68133.34133.97134.6134.67
8127.61128.84130.14131.44132.06132.68133.34133.97134.6134.67134.74
9128.84130.14131.44132.06132.68133.34133.97134.6134.67134.74134.24
10130.14131.44132.06132.68133.34133.97134.6134.67134.74134.24134.25
11131.44132.06132.68133.34133.97134.6134.67134.74134.24134.25134.24
12132.06132.68133.34133.97134.6134.67134.74134.24134.25134.24134.24
13132.68133.34133.97134.6134.67134.74134.24134.25134.24134.24133.72
14133.34133.97134.6134.67134.74134.24134.25134.24134.24133.72133.17
15133.97134.6134.67134.74134.24134.25134.24134.24133.72133.17132.61
16134.6134.67134.74134.24134.25134.24134.24133.72133.17132.61132.05
17134.67134.74134.24134.25134.24134.24133.72133.17132.61132.05131.46
18134.74134.24134.25134.24134.24133.72133.17132.61132.05131.46130.95
19134.24134.25134.24134.24133.72133.17132.61132.05131.46130.95130.44
20134.25134.24134.24133.72133.17132.61132.05131.46130.95130.44129.97
21134.24134.24133.72133.17132.61132.05131.46130.95130.44129.97129.51

2.5、对训练集进行 Z_score标准归一化处理

  1. data_all_tr2arr_mean: 1964.7695519269184
  2. data_all_tr2arr_std: 1068.4654234837196

2.6、将训练集的df格式转为tensor格式

  1. train_loader： 
  2.  <torch.utils.-class">data.dataloader.DataLoader object at 0x0000014BB5A68AC8>

3、模型训练

3.1、模型建立：定义GRU模型、优化器、损失函数

采用GRU+Fully Connected Layer, hidden_size=64

3.2、模型训练：及时保存训练过程中的模型

  1. 1 tensor(0.3308, grad_fn=<MseLossBackward>)
  2. 2 tensor(0.1350, grad_fn=<MseLossBackward>)
  3. 3 tensor(0.0127, grad_fn=<MseLossBackward>)
  4. n-line hljs-ln-

网站声明：如果转载，请联系本站管理员。否则一切后果自行承担。

本文链接：https://www.xckfsq.com/news/show.html?id=1741
赞同 0
评论 0 条

相关文章

mignri
具有明日L0
粉丝 0 发表 12 + 关注 私信
上周热门
如何使用 StarRocks 管理和优化数据湖中的数据？  2675
【软件正版化】软件正版化工作要点  2640
统信UOS试玩黑神话：悟空  2536
信刻光盘安全隔离与信息交换系统  2221
镜舟科技与中启乘数科技达成战略合作，共筑数据服务新生态  1092
grub引导程序无法找到指定设备和分区  747
WPS City Talk · 校招西安站来了！  15
金山办公2024算法挑战赛 | 报名截止日期更新  15
看到某国的寻呼机炸了，就问你用某水果手机发抖不？  14
有在找工作的IT人吗？  13
本周热议
我的信创开放社区兼职赚钱历程 40
今天你签到了吗？ 27
信创开放社区邀请他人注册的具体步骤如下 15
如何玩转信创开放社区—从小白进阶到专家 15
方德桌面操作系统 14
我有15积分有什么用? 13
用抖音玩法闯信创开放社区——用平台宣传企业产品服务 13
如何让你先人一步获得悬赏问题信息？（创作者必看） 12
2024中国信创产业发展大会暨中国信息科技创新与应用博览会 9
中央国家机关政府采购中心：应当将CPU、操作系统符合安全可靠测评要求纳入采购需求 8
热门标签更多

加入交流群

请使用微信扫一扫!