基于Keras的股票价格预测

from matplotlib.dates import DateFormatter WeekdayLocator DayLocator MONDAYYEARLY
from matplotlib.finance import quotes_historical_yahoo_ohlc candlestick_ohlc
#import matplotlib
import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.pylab import date2num
import datetime
import numpy as np
from pandas import Dataframe
from numpy import row_stackcolumn_stack

df=ts.get_hist_data（‘601857‘start=‘2016-06-15‘end=‘2017-11-06‘）
dd=df[[‘open‘‘high‘‘low‘‘close‘]]

#print（dd.values.shape[0]）

dd1=dd .sort_index（）

dd2=dd1.values.flatten（）

g1=dd2[::-1]

g2=g1[0:120]

g3=g2[::-1]

gg=Dataframe（g3）

gg.T.to_excel（‘gg.xls‘） 



#dd3=pd.Dataframe（dd2）
#dd3.T.to_excel（‘d8.xls‘） 

g=dd2[0:140]
for i in range（dd.values.shape[0]-34）:

    s=dd2[i*4:i*4+140]
    g=row_stack（（gs））

fg=Dataframe（g）

print（fg）    
fg.to_excel（‘fg.xls‘） 


#-*- coding: utf-8 -*-
#建立、训练多层神经网络，并完成模型的检验
#from __future__ import print_function
import pandas as pd


inputfile1=‘fg.xls‘ #训练数据
testoutputfile = ‘test_output_data.xls‘ #测试数据模型输出文件
data_train = pd.read_excel（inputfile1） #读入训练数据（由日志标记事件是否为洗浴）
data_mean = data_train.mean（）
data_std = data_train.std（）
data_train1 = （data_train-data_mean）/5  #数据标准化

y_train = data_train1.iloc[:120:140].as_matrix（） #训练样本标签列
x_train = data_train1.iloc[:0:120].as_matrix（） #训练样本特征
#y_test = data_test.iloc[:4].as_matrix（） #测试样本标签列

from keras.models import Sequential
from keras.layers.core import Dense Dropout Activation

model = Sequential（） #建立模型
model.add（Dense（input_dim = 120 output_dim = 240）） #添加输入层、隐藏层的连接
model.add（Activation（‘relu‘）） #以Relu函数为激活函数
model.add（Dense（input_dim = 240 output_dim = 120）） #添加隐藏层、隐藏层的连接
model.add（Activation（‘r