帮我写一段预测第二天股票收盘价的python代码

好的，以下是一个简单的LSTM模型，可以用来预测第二天的股票收盘价：

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

# 读取股票数据
df = pd.read_csv('stock.csv')

# 数据预处理
data = df.sort_index(ascending=True, axis=0)
new_data = pd.DataFrame(index=range(0,len(df)),columns=['Date', 'Close'])
for i in range(0,len(data)):
    new_data['Date'][i] = data['Date'][i]
    new_data['Close'][i] = data['Close'][i]
new_data.index = new_data.Date
new_data.drop('Date', axis=1, inplace=True)
dataset = new_data.values

# 切分训练集和测试集
train = dataset[0:987,:]
valid = dataset[987:,:]

# 归一化
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(dataset)

# 创建训练集和测试集
x_train, y_train = [], []
for i in range(60,len(train)):
    x_train.append(scaled_data[i-60:i,0])
    y_train.append(scaled_data[i,0])
x_train, y_train = np.array(x_train), np.array(y_train)

x_train = np.reshape(x_train, (x_train.shape[0],x_train.shape[1],1))

# 创建LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(x_train.shape[1],1)))
model.add(LSTM(units=50))
model.add(Dense(1))

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

# 训练模型
model.fit(x_train, y_train, epochs=1, batch_size=1, verbose=2)

# 预测第二天的收盘价
inputs = new_data[len(new_data)-60:].values
inputs = inputs.reshape(-1,1)
inputs  = scaler.transform(inputs)

X_test = []
for i in range(60,inputs.shape[0]):
    X_test.append(inputs[i-60:i,0])
X_test = np.array(X_test)

X_test = np.reshape(X_test, (X_test.shape[0],X_test.shape[1],1))
predicted_price = model.predict(X_test)
predicted_price = scaler.inverse_transform(predicted_price)

# 输出预测结果
print('预测第二天的收盘价为：', predicted_price[-1][0])

该代码与预测股票价格趋势的代码类似，区别在于：

1. 不需要切分训练集和测试集，使用所有数据进行训练。
2. 预测第二天的收盘价，需要使用最近 60 天的数据进行预测，因此输入数据需要从 `len(new_data)-60` 开始。
3. 输出预测结果，将预测结果转换为原始单位，并输出。