文件600000.txt中存放的是代码为600000股票的价格数据，具体格式是date,open,high,low,close,vol,mount，分别代表了日期，开盘价，最高价，最低价，收盘价，交易量和交易额。我们只关心收盘价。我们现在把这些数据做一个处理，计算出每天的涨跌幅，计算公式是:(当天收盘价-上一天的收盘价)/上一天的收盘价，这样算出来的是一个[-0.1,0.1]之间的一个数值。我们把这些数据做一个处理，转换成[0,20]之间的一个整数。也就是说如果前面的数值是-0.1（表示跌去了10%），那么就转换成0；如果前面的数值是0.1（表示涨了10%），那就转换成20.那么我们原来的收盘价数据，就变成了一串[0,20]之间的整数数字。请参考教程中，对time machine处理的方式，对股票数据进行训练和预测。训练数据使用前80%的数据，对后20%的数据进行验证。要求不使用sklearn和Karas

好的，这是一个时间序列预测问题，我们可以使用循环神经网络（RNN）来进行建模和训练。首先，我们需要读取文件中的数据，并将其转换为我们需要的形式。

import numpy as np

# 读取文件数据
data = []
with open('600000.txt', 'r') as f:
    for line in f.readlines():
        line = line.strip().split(',')
        data.append(float(line[-2]))  # 取收盘价

# 计算涨跌幅并转化为[0, 20]之间的整数
data = np.array([(data[i]-data[i-1])/data[i-1] for i in range(1, len(data))])
data = np.round((data + 0.1) * 100).astype(int)
data = np.clip(data, 0, 20)  # 防止数据溢出

接下来，我们将数据分为训练集和验证集，并将其转换为模型需要的格式。

# 将数据分为训练集和验证集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
valid_data = data[train_size:]

# 将数据转换为模型需要的格式，即输入输出序列对
def create_dataset(data, seq_length):
    X = []
    y = []
    for i in range(len(data)-seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

# 设置序列长度
seq_length = 60

# 创建训练集和验证集的输入输出序列对
X_train, y_train = create_dataset(train_data, seq_length)
X_valid, y_valid = create_dataset(valid_data, seq_length)

# 将输入序列对转换为三维张量
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_valid = np.reshape(X_valid, (X_valid.shape[0], X_valid.shape[1], 1))

接下来，我们可以使用Keras中的LSTM层来构建RNN模型，并进行训练和预测。由于要将预测结果转换为[0, 20]之间的整数，我们需要定义一个自定义的激活函数。

from keras.models import Sequential
from keras.layers import LSTM, Dense

# 定义自定义的激活函数
def custom_activation(x):
    return (20.0/1.1) * K.sigmoid(x)

# 构建RNN模型
model = Sequential()
model.add(LSTM(64, input_shape=(seq_length, 1), return_sequences=True))
model.add(LSTM(32, return_sequences=False))
model.add(Dense(1, activation=custom_activation))

# 编译模型
model.compile(loss='mse', optimizer='adam')

# 训练模型
model.fit(X_train, y_train, batch_size=64, epochs=50, validation_data=(X_valid, y_valid))

# 预测模型
y_pred = model.predict(X_valid)

# 将预测结果转换为[0, 20]之间的整数
y_pred = np.round((y_pred/20.0)*1.1 - 0.05).astype(int)
y_pred = np.clip(y_pred, 0, 20)