如何利用 LSTM 预测上证指数未来值
如何利用 LSTM 预测上证指数未来值
注意：本次教程是针对往期时间序列模型的一次补充，来实现对未来数据预测的简单示例！
在大部分预测任务的论文里面，一般不需要对未来数据进行预测的可视化展示（只展示模型对历史数据的拟合效果，原因是得不到未来的真实数据，不好评估预测拟合效果，所以会拿部分已知数据集划分为测试集，来充当未来数据进行可视化拟合效果展示）。而在实际项目里面，可能需要对未来数据进行预测，本期作品将介绍如何利用训练好的模型，来预测未来数据！
前言
本文基于2024-1-1到2024-10-26的上证指数收盘价格历史数据（文末附数据集），先经过数据预处理和制作加载，然后通过 Pytorch 实现 LSTM 模型对未来10个交易日收盘价格的预测。预测走势如下：
- 数据集：上证指数收盘价格历史数据
- 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行
- 使用对象：论文需求、毕业设计、项目需求者
- 代码保证：代码注释详细、即拿即可跑通。
1 数据集介绍与预处理
1.1 导入数据集
从年初到10.25日，一共195个交易日数据：
取收盘价格为目标预测值！
1.2 数据集制作
按照 8：2 划分训练集，测试集，滑动窗口设置为7
2 基于Pytorch的 LSTM 预测模型
2.1 定义 LSTM 预测模型
2.2 设置参数，训练模型
注意调整参数：
- 可以修改LSTM层数和每层神经元个数；
- 增加更多的 epoch （注意防止过拟合）
- 可以改变滑动窗口长度（设置合适的窗口长度）
3 模型评估与可视化
3.1 结果可视化
3.2 模型评估
4 预测未来数据
4.1 预测思路
第一步：加载训练好的模型，加载历史数据；
第二步：初始化未来预测序列和交易日时间；
第三步：按照训练的输入方式，即用过去历史的 7 步，预测未来 1步，所以用最后的7步历史数据，来预测未来第一天的数据，然后更新这个7个数值的窗口序列，即每预测一次，删除第一个数据，然后把预测的结果加入到最后一个（把预测值当作已知值，预测下一步）；
4.2 预测结果可视化
单独预测结果:
结合历史数据可视化：
该模型已经在如下四个全家桶里面更新，请购买过的同学及时更新下载：
（1）单步预测全家桶
最强更新 | 一次拥有，全面掌握 Python 时间序列预测
（2）多步预测全家桶
热点创新 | 基于 KANConv-GRU并行的多步预测模型
（3）麻雀优化算法—创新预测模型全家桶
下载链接：https://mbd.pub/o/bread/mbd-ZZuWlZxr
（4）二次分解——创新模型预测全家桶
VMD + CEEMDAN 二次分解，TCN-Transformer并行预测模型