1.基本数据绘制成图

数据有15天股票的开盘价格和收盘价格,可以通过比较当天开盘价格和收盘价格的大小来判断当天股票价格的涨跌情况,红色表示涨,绿色表示跌,测试代码如下:

  1. # encoding:utf-8
  2.  
  3. import tensorflow as tf
  4. import numpy as np
  5. import matplotlib.pyplot as plt
  6. date = np.linspace(1, 15, 15)
  7. # 当天的收盘价格
  8. endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
  9. )
  10. # 当天的开盘价格
  11. beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
  12. print(date) # 打印日期
  13. plt.figure()
  14. for i in range(0,15):
  15. # 通过循环遍历数据画出柱状图
  16. dateOne = np.zeros([2])
  17. dateOne[0] = i
  18. dateOne[1] = i
  19. print(dateOne)
  20. priceOne = np.zeros([2])
  21. priceOne[0] = beginPrice[i]
  22. priceOne[1] = endPrice[i]
  23. if endPrice[i] > beginPrice[i]:
  24. # 如果收盘价格大于开盘价格说明股票上涨 用红色表示 lw为线条粗细
  25. plt.plot(dateOne, priceOne,'r',lw=8)
  26. else:
  27. # 如果收盘价格小于开盘价格说明股票下跌 用绿色表示 lw为线条粗细
  28. plt.plot(dateOne, priceOne,'g',lw=5)
  29. plt.show()

运行后的图如下:

2.人工神经网络进行预测

建立一个简单的三层人工神经网络。

循环的终止条件可以为预先设定的循环次数或者与真实值的差异百分比

功能实现,完整的测试代码如下:

  1. # encoding:utf-8
  2.  
  3. import tensorflow as tf
  4. import numpy as np
  5. import matplotlib.pyplot as plt
  6. date = np.linspace(1, 15, 15)
  7. # 当天的收盘价格
  8. endPrice = np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
  9. )
  10. # 当天的开盘价格
  11. beginPrice = np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
  12. print(date) # 打印日期
  13. plt.figure()
  14. for i in range(0,15):
  15. # 通过循环遍历数据画出柱状图
  16. dateOne = np.zeros([2])
  17. dateOne[0] = i
  18. dateOne[1] = i
  19. print(dateOne)
  20. priceOne = np.zeros([2])
  21. priceOne[0] = beginPrice[i]
  22. priceOne[1] = endPrice[i]
  23. if endPrice[i] > beginPrice[i]:
  24. # 如果收盘价格大于开盘价格说明股票上涨 用红色表示 lw为线条粗细
  25. plt.plot(dateOne, priceOne,'r',lw=8)
  26. else:
  27. # 如果收盘价格小于开盘价格说明股票下跌 用绿色表示 lw为线条粗细
  28. plt.plot(dateOne, priceOne,'g',lw=5)
  29. # plt.show()
  30. # A(15x1)*w1(1x10)+b1(1*10) = B(15x10)
  31. # B(15x10)*w2(10x1)+b2(15x1) = C(15x1)
  32. # 1 A B C
  33. dateNormal = np.zeros([15,1])
  34. priceNormal = np.zeros([15,1])
  35. # 日期和价格进行归一化处理
  36. for i in range(0, 15):
  37. dateNormal[i, 0] = i/14.0
  38. priceNormal[i, 0] = endPrice[i]/3000.0
  39. print(dateNormal)
  40. print(priceNormal)
  41.  
  42. x = tf.placeholder(tf.float32, [None, 1]) # 表明是N行1列的
  43. y = tf.placeholder(tf.float32, [None, 1]) # 表明是N行1列的
  44.  
  45. # B
  46. w1 = tf.Variable(tf.random_uniform([1, 10], 0, 1)) # 可变值 可以通过误差修改值 范围0-1
  47. b1 = tf.Variable(tf.zeros([1, 10])) # 可变值 可以通过误差修改值
  48. wb1 = tf.matmul(x, w1)+b1
  49. layer1 = tf.nn.relu(wb1) # 激励函数 映射成另一个值
  50. # 第一二层完毕
  51.  
  52. # C
  53. w2 = tf.Variable(tf.random_uniform([10, 1], 0, 1)) # 可变值 可以通过误差修改值 范围0-1
  54. b2 = tf.Variable(tf.zeros([15, 1]))
  55. wb2 = tf.matmul(layer1, w2)+b2
  56. layer2 = tf.nn.relu(wb2) # 激励函数 映射成另一个值
  57. # 第二三层完毕
  58.  
  59. # 误差用loss表示 实际是一个标准差
  60. loss = tf.reduce_mean(tf.square(y-layer2)) # y 真实 layer2 计算
  61. # 每次调整的步长 梯度下降0.1 目的是缩小loss减小真实值与误差值的差异
  62. train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
  63. with tf.Session() as sess:
  64. sess.run(tf.global_variables_initializer()) # 初始化
  65. for i in range(0, 10000): # 训练次数为10000
  66. sess.run(train_step, feed_dict={x: dateNormal, y: priceNormal})
  67. # w1w2 b1b2 A + wb -->layer2
  68. pred = sess.run(layer2, feed_dict={x: dateNormal})
  69. predPrice = np.zeros([15, 1]) # 预测结果
  70. for i in range(0, 15): # 还原数据需要*3000
  71. predPrice[i, 0] = (pred*3000)[i, 0]
  72. plt.plot(date, predPrice, 'b', lw=1)
  73. plt.show()

运行结果如下:(图中蓝色的线表示股票的预测值)

Python实现人工神经网络逼近股票价格的更多相关文章

  1. 吴裕雄 python 机器学习——人工神经网络感知机学习算法的应用

    import numpy as np from matplotlib import pyplot as plt from sklearn import neighbors, datasets from ...

  2. 吴裕雄 python 机器学习——人工神经网络与原始感知机模型

    import numpy as np from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D from ...

  3. python大战机器学习——人工神经网络

    人工神经网络是有一系列简单的单元相互紧密联系构成的,每个单元有一定数量的实数输入和唯一的实数输出.神经网络的一个重要的用途就是接受和处理传感器产生的复杂的输入并进行自适应性的学习,是一种模式匹配算法, ...

  4. 人工神经网络,支持任意数量隐藏层,多层隐藏层,python代码分享

    http://www.cnblogs.com/bambipai/p/7922981.html------误差逆传播算法讲解 人工神经网络包含多种不同的神经网络,此处的代码建立的是多层感知器网络,代码以 ...

  5. 用BP人工神经网络识别手写数字

    http://wenku.baidu.com/link?url=HQ-5tZCXBQ3uwPZQECHkMCtursKIpglboBHq416N-q2WZupkNNH3Gv4vtEHyPULezDb5 ...

  6. [DL学习笔记]从人工神经网络到卷积神经网络_1_神经网络和BP算法

    前言:这只是我的一个学习笔记,里边肯定有不少错误,还希望有大神能帮帮找找,由于是从小白的视角来看问题的,所以对于初学者或多或少会有点帮助吧. 1:人工全连接神经网络和BP算法 <1>:人工 ...

  7. C#中调用Matlab人工神经网络算法实现手写数字识别

    手写数字识别实现 设计技术参数:通过由数字构成的图像,自动实现几个不同数字的识别,设计识别方法,有较高的识别率 关键字:二值化  投影  矩阵  目标定位  Matlab 手写数字图像识别简介: 手写 ...

  8. 开源的c语言人工神经网络计算库 FANN

    这年头机器学习非常的火,神经网络算是机器学习算法中的比较重要的一种.这段时间我也花了些功夫,学了点皮毛,顺便做点学习笔记. 介绍人工神经网络的基本理论的教科书很多.我正在看的是蒋宗礼教授写的<人 ...

  9. 人工神经网络(Artificial Neural Networks)

    人工神经网络的产生一定程度上受生物学的启发,因为生物的学习系统是由相互连接的神经元相互连接的神经元组成的复杂网络.而人工神经网络跟这个差不多,它是一系列简单的单元相互密集连接而成的.其中每个单元有一定 ...

随机推荐

  1. JS推箱子游戏

    <!DOCTYPE html><html><head><meta charset="UTF-8"><title>Inse ...

  2. RabbitMQ配置死信队列

    死信队列 消息传输过程中难免会产生一些无法及时处理的消息,这些暂时无法处理的消息有时候也是需要被保留下来的,于是这些无法被及时处理的消息就变成了死信. 既然需要保留这些死信,那么就需要一个容器来存储它 ...

  3. 西门子S7comm协议解析 —— 利用Wireshark对报文逐字节进行解析详细解析S7comm所含功能码以及UserData功能

    又一次成为懒蛋了,标题就这么改了改又是一篇新文章. 网上也有很多S7comm协议的解析,但还是如同我上一篇一样我只是做报文的解析对于S7comm的原理并进行阐述. 有些地方有错误的地方尽请大家指出,共 ...

  4. 11种常用css样式之border学习

    边框border通常简写为"border:1px solid red;"但其实一个完整的border边框其实是由1.border-width/*边框宽度*/,2.border-st ...

  5. SQLServer之查询当前服务器下所有目录视图表

    SQL脚本 /*************1:删除临时表*************/ if exists(select * from tempdb..sysobjects where id=object ...

  6. Spark基础和RDD

    spark 1. Spark的四大特性 速度快 spark比mapreduce快的两个原因 基于内存 1. mapreduce任务后期在计算的是时候,每一个job的输出结果都会落地到磁盘,后续有其他的 ...

  7. mysql官方源安装的一些问题

    今天测试Linux 各个软件源 ,发现mysql 配置官方源之后,yum install -y mysql   安装了 mysql lastst 最新版,  安装完之后,奇葩的是没有提示输入密码, 所 ...

  8. findContours()函数

    函数原型 findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int m ...

  9. 使用node.js实现apache功能

    1.先实现在url中输入文件路径能展示对应文件内容功能 const http = require('http') const fs = require('fs') const server = htt ...

  10. 浅谈python的第三方库——numpy(二)

    前一期博文中,初步探索了numpy中矩阵的几种运算操作,本文将展示numpy矩阵的元素抽取与合并操作. 1 元素抽取 在我们使用矩阵的时候,有时需要提取出矩阵的某些位置上的元素单独研究,这时就需要熟悉 ...