机器学习股票大数据量化分析与预测系统

编程入门行业动态更新时间:2024-10-28 12:16:54

机器学习股票大数据量化分析与预测系统

文章目录

0 前言
1 课题背景
2 实现效果
- UI界面设计
- web预测界面
- RSRS选股界面
3 软件架构
4 工具介绍
- Flask框架
- MySQL数据库
- LSTM
5 最后

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 机器学习股票大数据量化分析与预测系统

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

难度系数：3分
工作量：3分
创新点：3分

🧿 更多资料, 项目分享：

1 课题背景

基于机器学习的股票大数据量化分析系统，具有以下功能：

采集保存数据；
分析数据；
可视化；
深度学习股票预测

2 实现效果

UI界面设计

功能简述

日常数据获取更新

交易功能

web预测界面

LSTM长时间序列预测
RNN预测
机器学习预测
股票指标分析

预测效果如下：

RSRS选股界面

3 软件架构

整体的软件功能结构如下图

4 工具介绍

Flask框架

简介

Flask是一个基于Werkzeug和Jinja2的轻量级Web应用程序框架。与其他同类型框架相比，Flask的灵活性、轻便性和安全性更高，而且容易上手，它可以与MVC模式很好地结合进行开发。Flask也有强大的定制性，开发者可以依据实际需要增加相应的功能，在实现丰富的功能和扩展的同时能够保证核心功能的简单。Flask丰富的插件库能够让用户实现网站定制的个性化，从而开发出功能强大的网站。

本项目在Flask开发后端时，前端请求会遇到跨域的问题，解决该问题有修改数据类型为jsonp，采用GET方法，或者在Flask端加上响应头等方式，在此使用安装Flask-
CORS库的方式解决跨域问题。此外需要安装请求库axios。

Flask框架图

代码实例

from flask import Flask, render_template, jsonifyimport requestsfrom bs4 import BeautifulSoupfrom snownlp import SnowNLPimport jiebaimport numpy as npapp = Flask(__name__)app.config.from_object('config')# 中文停用词STOPWORDS = set(map(lambda x: x.strip(), open(r'./stopwords.txt', encoding='utf8').readlines()))headers = {'accept': "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9",'accept-language': "en-US,en;q=0.9,zh-CN;q=0.8,zh-TW;q=0.7,zh;q=0.6",'cookie': 'll="108296"; bid=ieDyF9S_Pvo; __utma=30149280.1219785301.1576592769.1576592769.1576592769.1; __utmc=30149280; __utmz=30149280.1576592769.1.1.utmcsr=(direct)|utmccn=(direct)|utmcmd=(none); _vwo_uuid_v2=DF618B52A6E9245858190AA370A98D7E4|0b4d39fcf413bf2c3e364ddad81e6a76; ct=y; dbcl2="40219042:K/CjqllYI3Y"; ck=FsDX; push_noty_num=0; push_doumail_num=0; douban-fav-remind=1; ap_v=0,6.0','host': "search.douban",'referer': "/",'sec-fetch-mode': "navigate",'sec-fetch-site': "same-site",'sec-fetch-user': "?1",'upgrade-insecure-requests': "1",'user-agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.88 Safari/537.36 Edg/79.0.309.56"}login_name = None# --------------------- html render ---------------------@app.route('/')def index():return render_template('index.html')@app.route('/search')def search():return render_template('search.html')@app.route('/search/')def search2(movie_name):return render_template('search.html')

MySQL数据库

简介

MySQL是一个关系型数据库，由瑞典MySQL AB公司开发，目前已经被Oracle收购。

Mysql是一个真正的多用户、多线程的SQL数据库。其使用的SQL（结构化查询语言）是世界上最流行的和标准化的数据库语言，每个关系型数据库都可以使用MySQL是以客户机/服务器结构实现的，也就是俗称的C/S结构，它由一个服务器守护程序mysqld和很多不同的客户程序和库组成。

Python操作mysql数据库

本项目中我们需要使用python来操作mysql数据库，因此需要用到 pymysql 这个库

安装：

pip install pymysql

数据库连接实例：

# 导入pymysql
import pymysql

# 定义一个函数
# 这个函数用来创建连接(连接数据库用）
def mysql_db():# 连接数据库肯定需要一些参数conn = pymysql.connect(host="127.0.0.1",port=3307,database="ksh",charset="utf8",user="root",passwd="123456")if __name__ == '__main__':mysql_db()

数据库连接实例：

# 导入pymysql
import pymysql

# 定义一个函数
# 这个函数用来创建连接(连接数据库用）
def mysql_db():# 连接数据库肯定需要一些参数conn = pymysql.connect(host="127.0.0.1",port=3307,database="ksh",charset="utf8",user="root",passwd="123456")if __name__ == '__main__':mysql_db()

LSTM

简介

长短期记忆（Long short-term memory,
LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

LSTM结构（图右）和普通RNN的主要输入输出区别如下所示。

Torch代码实现

import torch
from sklearn.metrics import accuracy_score

#定义需要的模型结构，继承自torch.nn.Module
#必须包含__init__和forward两个功能
class mylstm(torch.nn.Module):def __init__(self, lstm_input_size, lstm_hidden_size, lstm_batch, lstm_layers):# 声明继承关系super(mylstm, self).__init__()self.lstm_input_size, self.lstm_hidden_size = lstm_input_size, lstm_hidden_sizeself.lstm_layers, self.lstm_batch = lstm_layers, lstm_batch# 定义lstm层self.lstm_layer = torch.nn.LSTM(self.lstm_input_size, self.lstm_hidden_size, num_layers=self.lstm_layers, batch_first=True)# 定义全连接层 二分类self.out = torch.nn.Linear(self.lstm_hidden_size, 2)def forward(self, x):# 激活x = torch.sigmoid(x)# LSTMx, _ = self.lstm_layer(x)# 保留最后一步的输出x = x[:, -1, :]# 全连接x = self.out(x)return xdef init_hidden(self):#初始化隐藏层参数全0return torch.zeros(self.lstm_batch, self.lstm_hidden_size)