LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）本人也只是正在刚学习，如有不对欢迎指出，本

前言：

本人也只是正在刚学习，如有不对欢迎指出，本文章仅做笔记记录，不作为学习参考！！！欢迎前辈们的指导。
代码链接：github仓库（其中描述有更详细的步骤和实验）

步骤：

股票数据准备
股票数据预处理
- 数据特征归一化（标准化）
  
  使用scikit-learn库中的MinMaxScaler预处理类实现数据集的规范化
- 将数据集转化为有监督学习问题
  
  在实验中，定义一个名为series_to_supervised() 函数，该函数采用单变量或多变量时间序列并将其构建为监督学习数据集。
股票数据划分为训练集和测试集
将处理后的数据集划分为训练集和测试集。本实验将按0.85比划分数据作为测试集，其余作为训练集。将训练集和测试集的最终输入（X）转换为为LSTM的输入格式，即[samples,timesteps,features]。

Keras LSTM层的工作方式是通过接收3维（N，W，F）的数字阵列，其中N是训练序列的数目，W是序列长度，F是每个序列的特征数目。
```
# 转化为三维数据
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
```
模型构建及其预测
通过定义model类建立模型，在Sequential_lstm_test\core\model.py中

其中的方法：
- load_model # 加载模型，参数为.h5文件路径
- build_model # 建立模型，参数为：
  - configs:配置文件
  - input_timesteps
  - input_dim
- train # 训练模型，参数为：
  - x
  - y
  - epochs
  - batch_size
  - validation_data
  - verbose
  - shuffle
  - validation_freq
  - save_dir
- predict_point_by_point # 预测函数,参数为：
  - test_x
实验效果：
- 预测股票收盘价：
- 正弦波函数：