LSTM预测股价代码

from math import sqrt
from numpy import concatenate
from matplotlib import pyplot
from pandas import read_csv
from pandas import Dataframe
from pandas import concat
import pandas as  pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.metrics import mean_absolute_error
from sklearn.metrics import mean_squared_error


# convert series to supervised learning
def series_to_supervised（data n_in=1 n_out=1 dropnan=True）:
    n_vars = 1 if type（data） is list else data.shape[1]
    df = Dataframe（data）
    cols names = list（） list（）
    # input sequence （t-n ... t-1）
    for i in range（n_in 0 -1）:
        cols.append（df.shift（i））
        names += [（‘var%d（t-%d）‘ % （j + 1 i）） for j in range（n_vars）]
    # forecast sequence （t t+1 ... t+n）
    for i in range（0 n_out）:
        cols.append（df.shift（-i））
        if i == 0:
            names += [（‘var%d（t）‘ % （j + 1）） for j in range（n_vars）]
        else:
            names += [（‘var%d（t+%d）‘ % （j + 1 i）） for j in range（n_vars）]
    # put it all together
    agg = concat（cols axis=1）
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna（inplace=True）
    return agg

def plot_results（predicted_data true_data）:
    fig = pyplot.figure（facecolor=‘white‘）
    ax = fig.add_subplot（111）
    ax.plot（true_data label=‘True Data‘）
    pyplot.plot（predicted_data label=‘Prediction‘）
    pyplot.legend（）
    pyplot.show（）


# load dataset
dataset = read_csv（‘SP500_data.csv‘ header=0 index_col=0）
values = dataset.values
# ensure all data is float
values = values.astype（‘float32‘）
# normalize features
scaler = MinMaxScaler（feature_range=（0 1））
scaled = scaler.fit_transform（values）

time_step = 14
# frame as supervised learning
reframed = series_to_supervised（scaledtime_steptime_step）

print（reframed.head（））

input（‘enter‘）

# split into train and test sets
values = reframed.values
print（values）
print（‘len‘len（values））
n_train_days =2983 # train is time_step0%
train = values[:n_train_days :]
test = values[n_train_days: :]
# split into input and out