python做BP神经网络东方财富网股票预测

以下是一个简单的Python BP神经网络的例子，使用股票历史数据进行预测：

首先，需要导入相关的库：

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

然后，需要加载股票历史数据，并对数据进行预处理：

# 加载股票历史数据
df = pd.read_csv('stock_data.csv')

# 对数据进行预处理
scaler = MinMaxScaler(feature_range=(0, 1))
df['Close'] = scaler.fit_transform(df['Close'].values.reshape(-1,1))

# 定义训练集和测试集
train_size = int(len(df) * 0.8)
train_data = df.iloc[:train_size, :]
test_data = df.iloc[train_size:, :]

接下来，需要生成训练数据，并将其输入到BP神经网络中进行训练：

# 生成训练数据
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 10
trainX, trainY = create_dataset(train_data[['Close']].values, look_back)
testX, testY = create_dataset(test_data[['Close']].values, look_back)

# 将训练数据输入到BP神经网络中进行训练
model = Sequential()
model.add(Dense(32, input_dim=look_back, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=32, verbose=2)

最后，可以使用训练好的BP神经网络进行预测：

# 使用训练好的BP神经网络进行预测
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

# 绘制预测结果
trainPredictPlot = np.empty_like(df[['Close']].values)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
testPredictPlot = np.empty_like(df[['Close']].values)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(df[['Close']].values)-1, :] = testPredict
plt.plot(df[['Close']].values)
plt.plot(trainPredictPlot)
plt.plot(testPredictPlot)
plt.show()

需要注意的是，股票市场是非常复杂和不确定的，BP神经网络只是一种预测工具，其预测结果也受到很多因素的影响，包括但不限于市场风险、政策变化、公司经营情况等等，因此投资者需要对预测结果进行谨慎的判断和决策。