tensorflow 实战案例:利用 lstm、gru 进行股票数据预测(附 python 完整代码)

TensorFlow是一个开源的深度学习框架，拥有丰富的API和工具，可以用于各种应用场景，包括股票数据预测。在这个案例中，我们将使用LSTM（长短期记忆）和GRU（门控循环单元）这两种常用的循环神经网络模型，对股票数据进行预测。以下是Python的完整代码示例：

import tensorflow as tf
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 读取数据
data = pd.read_csv('stock_data.csv')
close_prices = data['close'].values.reshape(-1, 1)

# 数据预处理
scaler = MinMaxScaler()
scaled_close_prices = scaler.fit_transform(close_prices)

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

# 构建训练集和测试集
def create_dataset(data):
    X, y = [], []
    for i in range(len(data) - 60):
        X.append(data[i:i+60])
        y.append(data[i+60])
    return np.array(X), np.array(y)

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

# 构建LSTM模型
model_lstm = tf.keras.Sequential([
    tf.keras.layers.LSTM(50, return_sequences=True, input_shape=(60, 1)),
    tf.keras.layers.LSTM(50),
    tf.keras.layers.Dense(1)
])
model_lstm.compile(optimizer='adam', loss='mean_squared_error')
model_lstm.fit(X_train, y_train, epochs=10, batch_size=32)

# 构建GRU模型
model_gru = tf.keras.Sequential([
    tf.keras.layers.GRU(50, return_sequences=True, input_shape=(60, 1)),
    tf.keras.layers.GRU(50),
    tf.keras.layers.Dense(1)
])
model_gru.compile(optimizer='adam', loss='mean_squared_error')
model_gru.fit(X_train, y_train, epochs=10, batch_size=32)

# 模型预测
predictions_lstm = model_lstm.predict(X_test)
predictions_gru = model_gru.predict(X_test)

# 反归一化
scaled_predictions_lstm = scaler.inverse_transform(predictions_lstm)
scaled_predictions_gru = scaler.inverse_transform(predictions_gru)
scaled_y_test = scaler.inverse_transform(y_test)

# 评估模型
def evaluate_model(predictions, y):
    rmse = np.sqrt(np.mean((predictions - y) ** 2))
    return rmse

rmse_lstm = evaluate_model(scaled_predictions_lstm, scaled_y_test)
rmse_gru = evaluate_model(scaled_predictions_gru, scaled_y_test)

print('LSTM模型的RMSE：', rmse_lstm)
print('GRU模型的RMSE：', rmse_gru)

在这个案例中，我们首先读取了股票数据，并进行了数据预处理，包括数据归一化和训练集和测试集的划分。然后，我们使用LSTM和GRU分别构建了模型，并训练了模型。接下来，我们使用模型对测试集进行预测，并对预测结果进行反归一化。最后，我们评估了模型的性能，使用均方根误差（RMSE）作为评估指标。输出结果中，LSTM模型的RMSE和GRU模型的RMSE可以帮助我们了解模型预测的准确性。