最近应一位读金融学朋友的求助，正好最近任务不忙，决定花小半天的时间帮他写一份有关股价预测的代码，也当作给自己练练手了。于是想把这个过程记录下来，希望可以帮助到像我一样的小白。

一、 数据集

1. 数据分析

首先，先看看数据集长什么样。

这是最简单的单变量时间序列数据，是自/11/01到/10/29的上证医疗指数收盘价，由于这是单变量时间序列数据，所以不需要考虑特征工程，对于多变量的任务，可以通过特征工程对变量进行筛选，这里对此不过多解释，有需要的话自行搜索。

2. 读取数据

首先，加载数据并对数据进行可视化的操作。

# data readingdf = pd.read_csv(r'*****\000109.csv', index_col=0, parse_dates=['time'])print(df)# visualizationplt.figure(figsize=(12, 4))plt.grid(True)plt.plot(df['close'])plt.show()

得到打印的数据和折线图：

3. 数据处理

读取数据之后，就要对数据进行处理，此处主要有两点，第一个是对数据进行归一化操作，第二是将数据集分成训练集和验证集。

对数据进行归一化操作的目的是归纳统一样本的统计分布性，此处将数据归一化到(-1,1)上，是统计的坐标分布。因为神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的，且Sigmoid函数的取值是0到1之间，网络最后一个节点输出也是如此，所以要对样本的输出进行归一化处理。将数据集分成训练集和验证集，本次数据共有1216组，本次实验将最后的75组数据作为验证集，用以预测并和真实值进行比较。

# divide the dataset into training set and test sety = df['close'].values.astype(float)print('y is')print(y)test_size = 76train_set = y[:-test_size]test_size = y[-test_size:]# normalizationscaler = MinMaxScaler(feature_range=(-1, 1)) # normalize the data into（-1，1）train_norm = scaler.fit_transform(train_set.reshape(-1, 1))print(train_norm)# transfer to tensortrain_norm = torch.FloatTensor(train_norm).view(-1)window_size = 76

此处直接将test_size设置为76，是为了预测/11/01的股价。

二、 建立CNN模型

时间序列预测有很多方法，如传统的时序建模方法ARIMA、周期因子法、深度学习网络等，本次实验采用最简单的卷积神经网络进行训练。对于用CNN处理时序数据，通常使用一维卷积网络Conv1d；本次实验的结构是：卷积层通过2*2卷积核将一维数据展开为三维张量，使用激活函数ReLU将小于0的数据丢弃，再使用全连接层将三维张量转换为一维张量，最后通过两次Linear线性变换得到最后预测值。

class CNNmodel(nn.Module):def __init__(self):super(CNNmodel, self).__init__()self.conv1d = nn.Conv1d(1, 64, kernel_size=2)self.relu = nn.ReLU(inplace=True)self.Linear1 = nn.Linear(64*75, 50)self.Linear2 = nn.Linear(50, 1)def forward(self, x):x = self.conv1d(x)x = self.relu(x)x = x.view(-1)x = self.Linear1(x)x = self.relu(x)x = self.Linear2(x)return x

三、 模型训练

对于训练阶段，本次实验采用MSELoss(均方损失函数)，使用Adam优化器，将训练学习率设置为0.001，训练周期为50（一般像本次实验这么少的数据量，epochs用大概30-50就ok了，epochs设置为100太大了，容易过拟合）

# trainingmodel = CNNmodel()print(model)criterion = nn.MSELoss()optimizer = torch.optim.Adam(model.parameters(), lr=0.001)epochs = 50model.train()start_time = time.time()for epoch in range(epochs):for seq, y_train in train_data:# The gradient is zeroed and initialized before each parameter updateoptimizer.zero_grad()# reshape# convert to conv1d input size（batch size, channel, series length）y_pred = model(seq.reshape(1,1,-1))loss = criterion(y_pred, y_train)loss.backward()optimizer.step()print(f'Epoch: {epoch+1:2} Loss: {loss.item():10.8f}')print(f'\nDuration: {time.time() - start_time:.0f} seconds')

四、 数据预测

众所周知，节假日是不开盘的，当时没想起来，出了点问题，在这边卡了很久hhh。模型训练过后是验证阶段和测试阶段。此处将最后75天的预测股价与真实值进行比较。最后预测出/11/01的股价为14298.55013075。

# validatingfuture = 76# Select the last 75 values of the sequence to start the predictionpreds = train_norm[-window_size:].tolist()# set to eval modemodel.eval()# Each step of the cycle represents sliding back one space in the time seriesfor i in range(future):seq = torch.FloatTensor(preds[-window_size:])with torch.no_grad():preds.append(model(seq.reshape(1,1,-1)).item())# Inverse normalization restores the true valuetrue_predictions = scaler.inverse_transform(np.array(preds[window_size:]).reshape(-1, 1))# Compare the actual value with the predicted valueplt.figure(figsize=(12,4))plt.grid(True)plt.plot(df['close'])x = np.arange('-07-08', '-11-02', dtype='datetime64[D]')index = [2, 3, 9, 10, 16, 17, 23, 24, 30, 31, 37, 38, 44, 45, 51, 52, 58, 59, 65, 66, 72, 73, 74, 75, 79, 80, 85, 86, 87, 88, 89, 90, 91, 93, 94, 100, 101, 107, 108, 114, 115]x = np.delete(x, index)print(true_predictions)print('The predicted stock price of -11-01 is:', true_predictions[-1])plt.plot(x, true_predictions)plt.show()

五、 总结

从结果来看，使用CNN来处理时间序列数据产生的预测值总体来说还行，但与真实值存在一定出入。对于股票来说，影响股价波动因素繁多，单单从历史股价进行预测未来股价是不足够的，这也符合弱式有效市场假说，即技术分析失败；另一方面，本次实验采用的网络结构较简单，采用更强大的网络进行回归预测任务则会得到更好的效果。