神經網路預測股票價格的python代碼

① 如何用python代碼判斷一段范圍內股票最高點

Copyright © 1999-2020, CSDN.NET, All Rights Reserved




登錄

python+聚寬 統計A股市場個股在某時間段的最高價、最低價及其時間 原創
2019-10-12 09:20:50

開拖拉機的大寶

碼齡4年

關注
使用工具pycharm + 聚寬數據源，統計A股市場個股在某時間段的最高價、最低價及其時間，並列印excel表格輸出

from jqdatasdk import *
import pandas as pd
import logging
import sys
logger = logging.getLogger("logger")
logger.setLevel(logging.INFO)

# 聚寬數據賬戶名和密碼設置
auth('username','password')

#獲取A股列表，包括代號，名稱，上市退市時間等。
security = get_all_securities(types=[], date=None)
pd2 = get_all_securities(['stock'])


# 獲取股票代號
stocks = list(get_all_securities(['stock']).index)

# 獲取股票名稱
stocknames = pd2['display_name']

start_date = 񟭏-01-01'
end_date = 񟭒-12-31'
def get_stocks_high_low(start_date,end_date):
# 新建表，表頭列
# 為："idx","stockcode","stockname","maxvalue","maxtime","lowvalue","lowtime"
result = pd.DataFrame(columns=["idx", "stockcode", "stockname", "maxvalue", "maxtime", "lowvalue", "lowtime"])
for i in range(0,stocks.__len__()-1):
pd01 = get_price(stocks[i], start_date, end_date, frequency='daily',
fields=None, skip_paused=False,fq='pre', count=None)
result=result.append(pd.DataFrame({'idx':[i],'stockcode':[stocks[i]],'stockname':
[stocknames[i]],'maxvalue':[pd01['high'].max()],'maxtime':
[pd01['high'].idxmax()],'lowvalue': [pd01['low'].min()], 'lowtime':
[pd01['low'].idxmin()]}),ignore_index=True)

result.to_csv("stock_max_min.csv",encoding = 'utf-8', index = True)
logger.warning("執行完畢！

② BP神經網路預測代碼

你這是在做時間序列呢。

你可以去《神經網路之家》nnetinfo----》學習教程二--->神經網路在時間序列上的應用
上面有講解。我把代碼摘抄給你

% time series:神經網路在時間序列上的應用

% 本代碼出自《神經網路之家》

timeList = 0 :0.01 : 2*pi; %生成時間點

X = sin(timeList); %生成時間序列信號

%利用x(t-5),x(t-4),x(t-3),x(t-2),x(t-1)作為輸入預測x(t)，將x(t)作為輸出數據

inputData = [X(1:end-5);X(2:end-4);X(3:end-3);X(4:end-2);X(5:end-1)];

outputData = X(6:end);

%使用用輸入輸出數據（inputData、outputData）建立網路，

%隱節點個數設為3.其中隱層、輸出層的傳遞函數分別為tansig和purelin，使用trainlm方法訓練。

net = newff(inputData,outputData,3,{'tansig','purelin'},'trainlm');

%設置一些常用參數

net.trainparam.goal = 0.0001; %訓練目標：均方誤差低於0.0001

net.trainparam.show = 400; %每訓練400次展示一次結果

net.trainparam.epochs = 1500; %最大訓練次數：15000.

[net,tr] = train(net,inputData,outputData);%調用matlab神經網路工具箱自帶的train函數訓練網路

simout = sim(net,inputData); %調用matlab神經網路工具箱自帶的sim函數得到網路的預測值

figure; %新建畫圖窗口窗口

t=1:length(simout);

plot(t,outputData,t,simout,'r')%畫圖，對比原來的輸出和網路預測的輸出

%------------------附加:抽取數學表達式----------------------------top

%希望脫離matlab的sim函數來使用訓練好網路的話，可以抽取出數學的表達式，|

%這樣在任何軟體中，只需要按表達式計算即可。 |

%============抽取數學表達式==================

%抽取出網路的權值和閾值

w12 = net.iw{1,1}; %第1層（輸入層）到第2層（隱層）的權值

b2 = net.b{1}; %第2層（隱層）的閾值

w23 = net.lw{2,1}; %第2層（隱層）到第3層（輸出層）的權值

b3 = net.b{2}; %第3層（輸出層）的閾值

%由於有歸一化，必須先將歸一化信息抓取出來

iMax = max(inputData,[],2);

iMin = min(inputData,[],2);

oMax = max(outputData,[],2);

oMin = min(outputData,[],2);

%方法1：歸一化--->計算輸出--->反歸一化

normInputData=2*(inputData -repmat(iMin,1,size(inputData,2)))./repmat(iMax-iMin,1,size(inputData,2)) -1;

tmp = w23*tansig( w12 *normInputData + repmat(b2,1,size(normInputData,2))) + repmat(b3,1,size(normInputData,2));

myY = (tmp+1).*repmat(oMax-oMin,1,size(outputData,2))./2 + repmat(oMin,1,size(outputData,2));

%方法2：用真正的權值和閾值進行計算

%公式請參考《提取對應原始數據的權重和閾值》

W12 = w12 * 2 ./repmat(iMax' -iMin',size(w12,1),1);

B2 = -w12* (2*iMin ./(iMax - iMin) + 1) + b2;

W23 = w23 .*repmat((oMax -oMin),1,size(w23,2))/2;

B3 = (oMax -oMin) .*b3 /2 + (oMax -oMin)/2 + oMin;

%最終的數學表達式：

myY2 = W23 *tansig( W12 *inputData + repmat(B2,1,size(inputData,2))) + repmat(B3,1,size(inputData,2));

③ 如何選取過去每個月股票的市值 python

類似，可以修改一下
股票漲跌幅數據是量化投資學習的基本數據資料之一，下面以python代碼編程為工具，獲得所需要的歷史數據。主要步驟有：
（1） #按照市值從小到大的順序活得N支股票的代碼；
（2） #分別對這一百隻股票進行100支股票操作；
（3） #獲取從2016.05.01到2016.11.17的漲跌幅數據；
（4） #選取記錄大於40個的數據，去除次新股；
（5） #將文件名名為「股票代碼.csv」。
具體代碼如下：
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 17 23:04:33 2016
獲取股票的歷史漲跌幅，並分別存為csv格式
@author: yehxqq151376026
"""

import numpy as np
import pandas as pd

#按照市值從小到大的順序活得100支股票的代碼
df = get_fundamentals(
query(fundamentals.eod_derivative_indicator.market_cap)
.order_by(fundamentals.eod_derivative_indicator.market_cap.asc())
.limit(100),'2016-11-17', '1y'
)

#分別對這一百隻股票進行100支股票操作
#獲取從2016.05.01到2016.11.17的漲跌幅數據
#選取記錄大於40個的數據，去除次新股
#將文件名名為「股票代碼.csv」
for stock in range(100):
priceChangeRate = get_price_change_rate(df['market_cap'].columns[stock], '20160501', '20161117')
if priceChangeRate is None:
openDays = 0
else:
openDays = len(priceChangeRate)
if openDays > 40:
tempPrice = priceChangeRate[39:(openDays - 1)]
for rate in range(len(tempPrice)):
tempPrice[rate] = "%.3f" %tempPrice[rate]
fileName = ''
fileName = fileName.join(df['market_cap'].columns[i].split('.')) + '.csv'
fileName
tempPrice.to_csv(fileName)

④ python 設計一個名為Stock的類來表示一個公司的股票

class Stock():
def __init__(self):
self.__no = ""
self.__name = ""
self.previousClosingPrice = 0
self.currentPrice = 0
def creatStock(self,stockInfo):
self.__no = stockInfo[0]
self.__name = stockInfo[1]
self.previousClosingPrice = stockInfo[2]
self.currentPrice = stockInfo[3]
def getStockName(self):
return(self.__name)

def getStockNo(self):
return(self.__no)

def setPreviousClosingPrice(self,price):
self.previousClosingPrice = price

def getPreviousClosingPrice(self):
return(self.previousClosingPrice)

def setCurrentPrice(self,price):
self.currentPrice = price

def getCurrentPrice(self):
return(self.currentPrice)
def getChangePercent(self):
return((self.currentPrice - self.previousClosingPrice)/self.currentPrice)

stock = Stock()
stock.creatStock(["601318","中國平安",63.21,64.39])
print(stock.getStockNo())
print(stock.getStockName())
print(stock.getCurrentPrice())
print(stock.getPreviousClosingPrice())

⑤ 說明 Python 處理業財數據的應用場景,並寫出相應代碼。可以從采購業務、存貨

Python 是一種流行的編程語言，通常用於處理財務數據。一個常見的應用是在數據分析和數據科學領域，Python強大的數據處理和可視化庫可用於分析大型數據集並識別數據中的趨勢和模式。

可用於分析財務數據的 Python 腳本的一個示例是計算指定時間段內特定股票平均價格的腳本。金融分析師可以使用此腳本來跟蹤股票的表現並預測其未來的價格走勢。

下面是計算股票平均價格的 Python 代碼示例：

在此代碼中，我們首先導入 and 庫，這些庫通常用於處理 Python 中的財務數據。然後，我們使用庫中的函數將庫存數據從 CSV 文件載入到 ，這是一種用於處理表格數據的強大數據結構。pandasnumpyread_csv()pandasDataFrame

接下來，我們使用對象中的函數來計算股票的平均價格。最後，我們將結果列印到控制台。mean()DataFrame

這只是Python如何用於財務數據分析的一個簡單示例。在這個領域使用Python還有許多其他應用和可能性，包括分析投資組合的表現，預測股票價格等等。

回答不易望請採納

⑥ 怎樣用 Python 寫一個股票自動交易的程序

股票自動交易助手提供了一個 Python 自動下單介面，參考代碼

#股票自動交易助手Python自動下單使用例子
#把此腳本和StockOrderApi.pyOrder.dll放到你自己編寫的腳本同一目錄

fromStockOrderApiimport*

#買入測試
#Buy(u"600000",100,0,1,0)

#賣出測試,是持倉股才會有動作
#Sell(u"000100",100,0,1,0)

#賬戶信息
print("股票自動交易介面測試")
print("賬戶信息")
print("--------------------------------")

arrAccountInfo=["總資產","可用資金","持倉總市值","總盈利金額","持倉數量"];
foriinrange(0,len(arrAccountInfo)):
value=GetAccountInfo(u"",i,0)
print("%s%f"%(arrAccountInfo[i],value))

print("--------------------------------")
print("")

print("股票持倉")
print("--------------------------------")
#取出所有的持倉股票代碼,結果以','隔開的
allStockCode=GetAllPositionCode(0)
allStockCodeArray=allStockCode.split(',')
foriinrange(0,len(allStockCodeArray)):
vol=GetPosInfo(allStockCodeArray[i],0,0)
changeP=GetPosInfo(allStockCodeArray[i],4,0)
print("%s%d%.2f%%"%(allStockCodeArray[i],vol,changeP))

print("--------------------------------")

⑦ bp神經網路股票價格預測的MATLAB編程

P=[];『輸入，開盤價，最高價，最低價，收盤價成交量依次5天的數據』
T=[];』輸出，即第二日的收盤』
net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
net.trainParam.epochs=1000; 『最大訓練次數，根據需要可自行調節』
net.trainParam.goal=0.01; 『誤差』
net.trainParam.lr=0.01; 『學習率』
net=train(net,P,T); 『訓練網路』
test=[];『待預測數據輸入』
out=sim(net,test); 『模擬預測』
我的這個程序沒有進行初始化，你還需要先將數據進行初始化後才能算。