keras lstm 多变量 股票
时间: 2023-08-25 20:06:24 浏览: 32
Keras LSTM 可以用于多变量股票预测。具体来说,可以使用历史数据中的多个变量(如开盘价、最高价、最低价、收盘价等)作为输入特征,来预测未来某个时间点的股票价格。以下是一个简单的多变量股票预测模型的示例代码:
```python
from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
# 准备数据
data = np.random.random((1000, 5))
target = np.random.random((1000, 1))
# 构建模型
model = Sequential()
model.add(LSTM(32, input_shape=(None, 5)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='mean_squared_error', optimizer='adam')
# 训练模型
model.fit(data, target, epochs=10, batch_size=16, verbose=2)
```
在这个示例中,输入数据的形状为 `(1000, 5)`,表示有 1000 个样本,每个样本有 5 个变量。`LSTM` 层的输入形状为 `(None, 5)`,其中 `None` 表示这个模型可以接受任意长度的时间序列数据。最后一个 `Dense` 层的输出形状为 `(1,)`,因为我们只需要预测一个值,即未来某个时间点的股票价格。
在实际应用中,我们需要使用真实的股票数据来训练模型,并使用该模型来预测未来的股票价格。同时,我们需要对数据进行预处理、特征工程等操作,以提高模型的预测能力。