深度学习RNN实现股票预测实战（附数据、代码）

2017 年 12 月 24 日 凡人机器学习

点击蓝字关注这个神奇的公众号～

背景知识

最近再看一些量化交易相关的材料，偶然在网上看到了一个关于用RNN实现股票预测的文章，出于好奇心把文章中介绍的代码在本地跑了一遍，发现可以work。于是就花了两个晚上的时间学习了下代码，顺便把核心的内容翻译成中文分享给大家。

首先讲讲对于股票预测的理解，股票是一种可以轻易用数字表现律动的交易形式。因为大数定理的存在，定义了世间所有的行为都可以通过数字表示，并且存在一定的客观规律。股票也不例外，量化交易要做的就是通过数学模型发现股票的走势趋势。“趋势”要这样理解：对于股票的预测，不是说我知道这个股票昨天指数是多少，然后预测今天他的指数能涨到多少。而是，我们通过过去一段时间股票的跌或者涨，总结出当出现某种波动的时候股票会有相应的涨或者跌的趋势。于是就引出了RNN的概念。

RNN是一种深度学习的网络结构，RNN的优势是它在训练的过程中会考虑数据的上下文联系，非常适合股票的场景，因为某一时刻的波动往往跟之前的走势蕴含某种联系。RNN是由一个个神经元cell组成，然而传统的RNN当网络过于复杂的时候，后方节点对于前方的感知力会下降，LSTM（Long-short Term Memory）是一种变型，从名字就可以看出来，LSTM可以增加记忆力，解决上面提到的问题。对于股票这个场景，我们就可以通过LSTM来实现股票的走势的预测。

在股票这个场景下，通过上面这个图可以看出来，输入的是时间t、t+1、t+2的股票信息，可以返回t+1、t+2、t+3的股票信息，而且上下节点前后依赖，通过LSTM模型对于这样的股票序列进行预测，所以股票预测的关键就是首先构建股票序列化数据，然后训练LSTM模型，最终通过这个模型对于股票进行预测，以上就是大体的一些思路。

数据说明

本次实验使用的是一只叫SP500的股票，可以从雅虎下载这只股从50年到现在每天的走势情况，这里只需要关心每次收盘价格，也就是close字段即可。数据截图：

代码

代码文件有以下四部分：

其中SP500的股票数据需要放在data文件夹下。依赖的库包括，

numpy==1.13.1pandas==0.16.2 scikit-learn==0.16.1 scipy==0.19.1 tensorflow==1.2.1

在项目目录下执行以下shell即可开始训练：

python main.py --stock_symbol=SP500 --train --input_size=1 --lstm_size=128 --max_epoch=50

分别介绍下每个代码：

data_model.py

这个文件是构建训练数据，通过pandas库去读数据SP500.csv文件，然后只取close这个字段，将每天的close数据作为代表当天股票的市值，如下图所示。

这里做了一次归一化，因为股票在50年的市值是每股19块左右，到了2017年涨到了2600多块，分布很不均匀，于是通过把每天股票close值除以历史股票最高值，将所有数据的定义域限定在0到1之间。接着构建预测集，涉及到两个参数input_size和num_steps，当input_size=3 and num_steps=2时会构建以下数据集。