根据历史收盘价，运用BP神经网络预测股价的代码

以下是一个简单的使用BP神经网络预测股价的Python代码示例：

import numpy as np
import pandas as pd
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import StandardScaler

# 读取数据
data = pd.read_csv('stock_price.csv', index_col=0)

# 提取特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 数据归一化
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 构建BP神经网络
mlp = MLPRegressor(hidden_layer_sizes=(10, 10), max_iter=1000)

# 训练模型
mlp.fit(X_train, y_train)

# 预测股价
y_pred = mlp.predict(X_test)

# 输出预测结果
print(y_pred)

其中，`stock_price.csv`是包含历史收盘价数据的CSV文件，特征向量为前一天的收盘价、最高价、最低价和成交量，标签为当天的收盘价。代码中使用了`sklearn`库中的`MLPRegressor`类来构建BP神经网络，并使用`StandardScaler`类对数据进行归一化。训练完成后，可以使用`predict`方法对测试集进行预测，并输出预测结果。需要注意的是，这只是一个简单的示例，实际应用中需要根据具体情况进行调整和优化。