使用CNN-LSTM，以开盘价、收盘价、最高价、最低价、前收盘价、成交量、成交额、换手率、涨跌幅作为输入特征，以前五天的数据作为输入，预测后八天的数据，并以中的收盘价作为输出写代码，并且多次创建模型，并保存训练效果最好的模型

很好，这是一个很好的任务，我们可以使用Python和Keras库来实现。

首先，我们需要准备数据。我们可以从网上下载股票数据，或者使用API获取数据。这里我们使用tushare库来获取数据，需要先安装tushare库：

!pip install tushare

然后，我们可以使用tushare库来获取股票数据。我们以中国平安（601318.SH）为例，获取从2010年1月1日到2021年12月31日的股票数据：

import tushare as ts

# 登录tushare账号
ts.set_token('your_tushare_token')
pro = ts.pro_api()

# 获取股票数据
df = pro.daily(ts_code='601318.SH', start_date='20100101', end_date='20211231')

接下来，我们需要对数据进行预处理。我们将数据按照时间顺序排序，并将每个特征进行归一化处理。然后，我们将数据按照5天为一组进行切分，每组包含前5天的特征和第6天到第13天的标签。最后，我们将数据集划分为训练集和测试集。

import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 将数据按照时间顺序排序
df = df.sort_values('trade_date')

# 提取特征
features = ['open', 'close', 'high', 'low', 'pre_close', 'vol', 'amount', 'turnover_rate', 'pct_chg']
data = df[features].values

# 归一化处理
scaler = StandardScaler()
data = scaler.fit_transform(data)

# 将数据按照5天为一组进行切分
window_size = 5
X, y = [], []
for i in range(len(data) - window_size - 7):
    X.append(data[i:i+window_size])
    y.append(data[i+window_size:i+window_size+8, 1])  # 第6天到第13天的收盘价作为标签

X, y = np.array(X), np.array(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)

接下来，我们可以构建模型。我们使用CNN-LSTM模型来处理序列数据。首先，我们使用Conv1D层对特征进行处理，然后使用LSTM层对序列进行处理，最后使用Dense层输出预测结果。我们使用Adam优化器和均方误差损失函数进行训练。

from keras.models import Sequential
from keras.layers import Conv1D, LSTM, Dense

# 构建模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(window_size, 9)))
model.add(LSTM(128, activation='relu'))
model.add(Dense(8))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=16, validation_data=(X_test, y_test))

最后，我们可以保存训练效果最好的模型。我们可以在训练过程中使用ModelCheckpoint回调函数来保存最好的模型。我们将模型保存为HDF5文件。

from keras.callbacks import ModelCheckpoint

# 定义回调函数
checkpoint = ModelCheckpoint('best_model.h5', monitor='val_loss', save_best_only=True, mode='min')

# 训练模型并保存最好的模型
model.fit(X_train, y_train, epochs=50, batch_size=16, validation_data=(X_test, y_test), callbacks=[checkpoint])