（二）Prophet 模型

1. 数据准备
   将日期列作为ds列，收盘价作为y列，以便输入到 Prophet 模型中。

df['ds'] = df.indexdf['y'] = df['Close']

1. 模型拟合
   创建Prophet对象，并使用准备好的数据进行拟合。

import prophetm = Prophet()m.fit(df)

1. 未来数据生成与预测
   使用make_future_dataframe函数生成未来一段时间的数据框，然后使用拟合好的模型进行预测。

future = m.make_future_dataframe(periods = 30, freq = 'D')forecast = m.predict(future)

四、模型评估与预测

（一）ARIMA 模型预测

1. 对验证集进行预测
   使用训练好的 ARIMA 模型对验证集进行预测，并将预测值存储在新的列中。

fore = result.predict(start = len(train), end = len(df) - 1)fores = pd.Series(fore)val['d'] = fores.values

1. 绘制验证集的真实值与预测值
   通过val[['Close', 'd']].plot(figsize=(12, 8))直观地比较真实值与预测值。
2. 未来预测
   生成未来日期序列，并进行未来价格预测。

index_future_dates = pd.date_range(start = '2023 - 03 - 13', end = '2023 - 03 - 31')pred = result.predict(start = len(df), end = len(df) + 18, ).rename('ARIMA Predictions')pred.index = index_future_datesprint(pred)pred.plot(figsize = (12, 5), legend = True)

（二）Prophet 模型预测结果分析

1. 查看预测结果的尾部信息
   通过forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail()查看预测结果的最后几行，包括预测日期、预测值、预测下限和预测上限。
2. 绘制预测结果
   使用m.plot(forecast, xlabel='Date', ylabel='Price (USD)')绘制预测结果图，并添加标题Bitcoin price forecast (USD)。
3. 绘制预测结果的组件
   通过m.plot_components(forecast)分析预测结果的趋势、季节性等组件。

m.plot_components(forecast)

五、结论

本文通过对股票数据的分析，构建并应用了 ARIMA 模型和 Prophet 模型进行股票价格预测。实验结果表明，两种模型在不同方面都有一定的表现。ARIMA 模型在处理线性时间序列数据方面具有一定的优势，而 Prophet 模型在处理具有季节性和趋势性的数据方面表现较好。然而，股票价格预测仍然存在一定的不确定性，未来可以进一步探索更复杂的模型或模型组合，以提高预测的准确性。同时，还可以考虑结合更多的影响因素，如宏观经济数据、公司财务指标等，为股票价格预测提供更全面的信息。

CNN – LSTM的股票价格预测研究|附数据代码

本文旨在研究使用卷积神经网络 – 长短期记忆网络（CNN – LSTM）模型对股票价格进行预测。通过对股票数据的预处理、特征工程、模型构建、训练与评估，展示了该模型在股票价格预测中的应用。文中详细介绍了数据来源、处理方法、模型架构及实验结果，并对结果进行了分析和讨论。

一、引言

股票价格的预测一直是金融领域的研究热点，准确预测股票价格对于投资者制定合理的投资策略具有重要意义。传统的时间序列分析方法在处理复杂的股票数据时存在一定的局限性，而深度学习方法，如CNN – LSTM模型，结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的优点，能够更好地捕捉股票价格数据中的时空特征，提高预测精度。

二、数据来源与预处理

（一）数据来源
我们从"X:\\Project\\TSA\\TSA\\RE.NS.csv"文件中读取股票数据，该数据包含了日期、开盘价、最高价、最低价、收盘价等信息。

（二）数据可视化

1. 绘制烛台图
   使用plotly.graph_objects库绘制股票的烛台图，直观展示股票价格的波动情况。

import plotly.graph_objects as gofig = go.Figure(data=[go.Candlestick(x=df.index,                                      open=df.Open, high=df.High,                                      low=df.Low, close=df.Close)])fig.show()

1. 计算移动平均线
   计算不同天数的移动平均线，如 50 天、100 天和 200 天的移动平均线，以平滑股票价格数据，更好地观察价格趋势。
2. 绘制移动平均线图
   通过绘制收盘价与不同天数移动平均线的图像，更清晰地展示价格趋势与移动平均线的关系。

plt.figure(figsize=(20, 8))plt.plot(df.index, df["Close"])plt.plot(df.index, df["Moving Average for 50 days"], color='red', label='MA for 50 days')plt.plot(df.index, df["Moving Average for 100 days"], color='green', label='MA for 100 days')plt.plot(df.index, df["Moving Average for 200 days"], color='orange', label='MA for 200 days')plt.legend()

1. 绘制布林带
   计算股票价格的滚动均值和标准差，进而绘制布林带，用于分析股票价格的波动范围和趋势。

（三）数据缩放与划分

1. 数据缩放
   使用StandardScaler对数据进行标准化处理，使不同量级的数据具有可比性。

scaler = StandardScaler()scaler = scaler.fit(df)df_s = scaler.transform(df)

1. 划分训练集和测试集
   按照一定比例将数据划分为训练集和测试集，以便模型进行训练和评估。

train_size = int(len(df_s) * 0.8)train_data = df_s[:train_size]test_data = df_s[train_size - window_size:]

1. 构建窗口数据函数
   定义函数将数据转换为适合模型输入的窗口数据格式，即X和y，其中X为输入特征，y为目标值。

def df_to_x_y(data, window_size=7):    X = []    y = []    for i in range(len(data) - window_size):        row = [r for r in data[i:i + window_size]]        X.append(row)        label = [data[i + window_size][3]]        y.append(label)    return np.array(X), np.array(y)

三、模型构建与训练

（一）模型架构
构建 CNN – LSTM 模型，该模型首先使用一维卷积层提取局部特征，然后通过池化层降低维度，接着使用多个 LSTM 层捕捉时间序列特征，最后通过全连接层输出预测值。

model.add(Dense(1))model.compile(loss='mse', optimizer='adam')model.summary()

（二）模型训练
使用训练集数据对模型进行训练，并在训练过程中使用验证集数据进行验证。

history = model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

（三）训练过程可视化
绘制训练过程中训练集和验证集的损失函数值变化曲线，观察模型的训练效果和收敛情况。

plt.plot(history.history['loss'], label='train')plt.plot(history.history['val_loss'], label='test')plt.legend()plt.show()

四、模型评估与预测

（一）模型评估
使用均方根误差（RMSE）和平均绝对误差（MAE）评估模型在测试集上的性能。

yhat = model.predict(x_test)yp = yhat.reshape(yhat.shape[0], 1)test_RMSE = np.sqrt(mean_squared_error(y_test, yp))test_MAE = mean_squared_error(y_test, yp)print(f"Test RMSE: {test_RMSE}")print(f"Test MAE: {test_MAE}")

（二）预测结果可视化
绘制测试集上的实际股票价格与模型预测价格的对比图，直观展示模型的预测效果。

# 创建空表并填充预测值trainPredict_dataset_like = np.zeros(shape=(len(yp), 5))trainPredict_dataset_like[:, 0] = yp[:, 0]# 反标准化并绘制图像trainPredict = scaler.inverse_transform(trainPredict_dataset_like)[:, 0]

五、结论

本文通过构建 CNN – LSTM 模型对股票价格进行预测，经过数据预处理、模型训练和评估，取得了一定的预测效果。实验结果表明，该模型能够较好地捕捉股票价格数据中的时空特征，在一定程度上提高了预测精度。然而，股票价格受到多种复杂因素的影响，模型仍存在一定的局限性。未来可以进一步优化模型结构、增加数据量、引入更多的特征，以提高股票价格预测的准确性和可靠性。同时，还可以将该模型与其他预测方法进行比较和结合，探索更有效的股票价格预测策略，为投资者提供更有价值的决策支持。

关于分析师

Sabrina Huang

✉

     联系我们

在此对 Sabrina Huang 对本文所作的贡献表示诚挚感谢，她毕业于加州大学圣地亚哥分校，专业为金融数学，拥有硕士学位。她擅长软件 SQL 语言、Python、R，擅长领域包括机器学习、数理金融、数据采集等。