沈阳白癜风医院 http://pf.39.net/bdfyy/bdfzd/170126/5212240.html

一、背景近年来，股票预测还处于一个很热门的阶段，因为股票市场的波动十分巨大，随时可能因为一些新的政策或者其他原因，进行大幅度的波动，导致自然人股民很难对股票进行投资盈利。因此本文想利用现有的模型与算法，对股票价格进行预测，从而使自然人股民可以自己对股票进行预测。

理论上，股票价格是可以预测的，但是影响股票价格的因素有很多，而且目前为止，它们对股票的影响还不能清晰定义。这是因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络，对股票进行预测。虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。Hochreiter和Schmidhuber提出的长短期记忆（LongShort-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。

综上所述，深度学习中的LSTM模型能够很好地刻画时间序列的长记忆性。

二、主要技术介绍1、RNN模型在传统的RNN（循环神经网络）中，所有的w都是同一个w，经过同一个cell的时候，都会保留输入的记忆，再加上另外一个要预测的输入，所以预测包含了之前所有的记忆加上此次的输入。所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中，这个重复的模块只有一个非常简单的结构，例如一个tanh层。当权中大于1时，反向传播误差时，误差将会一直放大，导致梯度爆炸；当权中小于1时，误差将会一直缩小，导致梯度消失，进而导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，使得RNN太过健忘。RNN模型的结构如图：

2、LSTM模型长短期记忆模型（long-shorttermmemory）是一种特殊的RNN模型，是为了解决反向传播过程中存在梯度消失和梯度爆炸现象，通过引入门（gate）机制，解决了RNN模型不具备的长记忆性问题，LSTM模型的结构如图：

具体来说，LSTM模型的1个神经元包含了1个细胞状态（cell）和3个门（gate）机制。细胞状态（cell）是LSTM模型的关键所在，类似于存储器，是模型的记忆空间。细胞状态随着时间而变化，记录的信息由门机制决定和更新。门机制是让信息选择式通过的方法，通过sigmoid函数和点乘操作实现。sigmoid取值介于0～1之间，乘即点乘则决定了传送的信息量（每个部分有多少量可以通过），当sigmoid取0时表示舍弃信息，取1时表示完全传输(即完全记住)[2]。LSTM拥有三个门，来保护和控制细胞状态：遗忘门（forgetgate）、更新门（updategate）和输出门（outputgate）。

细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。

3、控制门工作原理遗忘门

更新门

输出门

四、代码实现UI

demo.pyimporttensorflowastfimportnumpyasnpimporttkinterastkfromtkinterimportfiledialogimporttimeimportpandasaspdimportstock_predictaspreddefcreat_windows():win=tk.Tk()#创建窗口sw=win.winfo_screenwidth()sh=win.winfo_screenheight()ww,wh=,x,y=(sw-ww)/2,(sh-wh)/2win.geometry("%dx%d+%d+%d"%(ww,wh,x,y-40))#居中放置窗口win.title(LSTM股票预测)#窗口命名f_open=open(dataset_2.csv)canvas=tk.Label(win)canvas.pack()var=tk.StringVar()#创建变量文字var.set(选择数据集)tk.Label(win,textvariable=var,bg=#C1FFC1,font=(宋体,21),width=20,height=2).pack()tk.Button(win,text=选择数据集,width=20,height=2,bg=#FF8C00,