股票预测python神经网络

股票预测是一个复杂的问题，神经网络是其中一种常用的预测模型。在 Python 中，你可以使用一些库来构建和训练神经网络，如 TensorFlow、Keras 或 PyTorch。

下面是一个简单的示例，展示了如何使用 Keras 构建一个简单的神经网络进行股票预测：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 加载股票数据
data = pd.read_csv('stock_data.csv')

# 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data['Close'].values.reshape(-1, 1))

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
train_data = scaled_data[:train_size, :]
test_data = scaled_data[train_size:, :]

# 创建训练集和测试集
def create_dataset(dataset, time_step=1):
    X, Y = [], []
    for i in range(len(dataset) - time_step - 1):
        a = dataset[i:(i + time_step), 0]
        X.append(a)
        Y.append(dataset[i + time_step, 0])
    return np.array(X), np.array(Y)

time_step = 10
X_train, y_train = create_dataset(train_data, time_step)
X_test, y_test = create_dataset(test_data, time_step)

# 转换为适合 LSTM 输入的三维格式 [样本数, 时间步长, 特征数]
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(time_step, 1)))
model.add(LSTM(units=50))
model.add(Dense(units=1))
model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 预测股票价格
predicted_price = model.predict(X_test)
predicted_price = scaler.inverse_transform(predicted_price)

# 可视化结果
import matplotlib.pyplot as plt
plt.plot(data['Close'].values[train_size + time_step + 1:], color='blue', label='Actual Price')
plt.plot(predicted_price, color='red', label='Predicted Price')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.ylabel('Price')
plt.legend()
plt.show()

请注意，这只是一个简单的示例，实际的股票预测可能需要更复杂的模型和更多的特征工程。此外，股票市场是一个高度不确定的领域，预测结果可能存在一定的风险和误差。在进行任何投资决策之前，请务必进行适当的研究和风险评估。