实测 《Tensorflow实例：利用LSTM预测股票每日最高价（二）》的结果

        近期股市行情牛转熊，大盘一直下探！由3200跌到了2700，想必不少人被深套了。这时想起人工智能可否预测股市趋势?RNN可否起做用？

　　这时便从网上找下教程，发现网上有个例子，便拿来一试！Tensorflow实例：利用LSTM预测股票每日最高价（二）

　　这个实例大致上没有大问题，只是有些小细节有问题！要想直接复制运行，是会报错的。首先整下代码过程原做者已经写得很清楚了，但对于初学者来说，有些地方仍是不太明白的。我做为一个初学者，先来谈谈我在整个实测中的收获吧！

　　实例的思路：经过tushare能够获取股票数据，

import tushare as ts
hist = ts.get_hist_data('600804')
hist.to_csv('f:/py/data/stock-1.csv')

而后用pandas进行数据整理,实例中的代码已经有说明了，这里就再也不重复。在整例子中，最重要的仍是要清楚数据的shape。

在生成训练集和测试集数据时，样本数（batch_size）、时间步（time_step）和（input_size)构成了RNN神经网络的输入数据的shape=[batch_size,time_step,input_size]。我想重点说说这三个参数表明的意思。input_size是数据中最低价、最高价、开盘价、收盘价、交易量、交易额、跌涨幅等因素，共7个；time_step=20，是连续的20条数据。batch_size是将数据分红几部分。举个例子就明白。假设有100天的数据，把第1天到至第20天的数据合在一块儿做为一条数据，第2天到第21天的数据合在一块儿做为第2条数据，第3天到第22天的数据合在一块儿做为第3条数据……如此类推！那么通过这样的处理后，就有100-20+1=81条数据。每条数据里有20天的记录，天天的记录里又有7个数据，那么shape=[81*20*7]。为何要这样处理？也许是考虑到数据的连续性吧。

对比训练方法和测试方法，都有lstm()方法，当prediction()函数里再次运行lstm()方法时，须要在lstm()方法前经过tf.get_variable_scope().reuse_variables()将变量重用。

也可用with tf.variable_scope(‘scope_name’,reuse=True)来重用变量，在保存变量时，必须也要使用with tf.variable_scope(‘scope_name’）来命名变量空间。为何须要重用？由于在载入以前保存训练结果的变量时，须要有变量来存储这此结果，在同一文件里，以前的train()函数将结果保存在变量里，这时没法再使用变量。若是保存和载入不在同一个文件，则不存在这些问题。另外，用来接收载入数据的变量必需要和保存的一致！

def prediction(time_step=20):
    X = tf.placeholder(tf.float32, shape=[None,time_step,input_size])
    #Y=tf.placeholder(tf.float32, shape=[None,time_step,1])
    mean,std,test_x,test_y=get_test_data()
    tf.get_variable_scope().reuse_variables()         # 变量重用
    pred,_=lstm(X)
    saver = tf.train.Saver(tf.global_variables())
    with tf.Session() as sess:
        #参数恢复

        #saver = tf.train.import_meta_graph('f:/py/data/stock2.model-1800.meta')
        saver.restore(sess, './Model/stock.ckpt-100')
        test_predict=[]
        for step in range(len(test_x)-1):
            prob=sess.run(pred,feed_dict={X:[test_x[step]]})
            predict=prob.reshape((-1))
            test_predict.extend(predict)
        test_y=np.array(test_y)*std[7]+mean[7]
        test_predict=np.array(test_predict)*std[7]+mean[7]
        acc=np.average(np.abs(test_predict-test_y[:len(test_predict)])/test_y[:len(test_predict)])  #误差
        print(test_predict)
        print(test_y)
        #以折线图表示结果
        plt.figure()
        plt.plot(list(range(len(test_predict))), test_predict, color='b')
        plt.plot(list(range(len(test_y))), test_y,  color='r')
        plt.show()

最后总结一下整个实测结果，代码能彻底运行，但并不能预测。由于股市并不单单是由于几个价格就能预测出来的。这仅仅是个学习RNN的例子。