一、簡介
1. 目標：
已知股票的「開盤價」和「收盤價」，利用神經網絡來預測「收盤均價」
2. 數據源：
日期（data）：[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.]
開盤價（beginPrice）：[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]
收盤價（endPrice）：[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]
3. 預測方法
（1）背景知識介紹
神經網絡介紹：https://blog.csdn.net/leiting_imecas/article/details/60463897
激勵函數relu()介紹：https://www.cnblogs.com/neopenx/p/4453161.html
（2）案例分析
-
原始數據：data、endPrice
-
輸入層：data／1.4 —> x:dateNormal、 endPrice / 3000 —> y:priceNormal
-
隱藏層：wb1(15x10) = x(15x1) * w1(1x10) + b1(1x10)
layer1 = tf.nn.relu(wb1) -
輸出層：wb2(15x1) = layer1(15x10) * w2(10x1) + b2(15x1)
layer2 = tf.nn.relu(wb2) -
梯度下降： 真實值y和計算值layer2的標準差用進行梯度下降，每次下降0.1；
-
預測結果：pred = sess.run(layer2,feed_dict={x:dateNormal})
predPrice = pred*3000
二、輸入數據
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt
date = np.linspace(1,15,15)# 開始是1，結束是15，有15個數的等差數列print(date)
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])# 開盤價
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]
)# 收盤價
結果：
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.]
函數解析：
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
-
解析：
該函數返回一組具有相同間隔的數據/採樣值，數據的間隔通過計算獲得（常用與來創建等差數列） -
參數：
start：序列的起始值
stop：序列的終止值，除非endpoint被設置爲False。當endpoint爲True時，數據的間隔：(stop-start)/num。當endpoint爲False時，數據的間隔：(stop-start)/(num+1)。
num：採樣的數目，默認值爲50
endpoint：爲真則stop爲最後一個採樣值，默認爲真。
retstep：爲真則返回(samples, step)，step爲不同採樣值的間距
dtype：輸出序列的類型。
-
返回：
samples：n維的數組
step：採樣值的間距
三、繪製圖表
plt.figure()for i in range(0,15):
dateOne = np.zeros([2]) # 建一個兩列值爲0的矩陣
dateOne[0] = i; # 第一列的 0-14
dateOne[1] = i; # 第二列的 0-14
priceOne = np.zeros([2]) # 建一個兩列值爲0的矩陣
priceOne[0] = beginPrice[i] # 把開盤價輸入第一列
priceOne[1] = endPrice[i] # 把收盤價輸入第二列
if endPrice[i] > beginPrice[i]: # 如果收盤價 大於 開盤價
plt.plot(dateOne,priceOne,'r',lw=8) # 條形是紅色，寬度爲8
else:
plt.plot(dateOne,priceOne,'g',lw=8) # 條形是綠色，寬度爲8
結果：
函數解析：
1、range(start,stop,step)
-
只給一個參數 s,表示 從0到s
例如：range(5)
結果：[0,1,2,3,4] -
兩個參數,s,e,表示從s到e
例如：range(5,10)
結果：5,6,7,8,9 -
三個參數 s,e,i 表示從s到e，間隔i取數
例如：range(0,10,2)
結果：[0,2,4,6,8]
四、輸入層 input layer
dateNormal = np.zeros([15,1])# 創建一個15行，1列的矩陣priceNormal = np.zeros([15,1])for i in range(0,15):
dateNormal[i,0] = i/14.0; # 日期的值，最大值爲14
priceNormal[i,0] = endPrice[i]/3000.0; # 價格的值，最大值爲3000x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])
函數解析：
tf.placeholder(dtype, shape=None, name=None)
-
解析：此函數可以理解爲形參，用於定義過程，在執行的時候再賦具體的值
-
參數：
dtype：數據類型。常用的是tf.float32,tf.float64等數值類型
shape：數據形狀。默認是None，就是一維值，也可以是**，比如[2,3], [None, 3]表示列是3，行不定
name：名稱。 -
返回：
Tensor 類型
五、隱藏層（hidden layer）
w1 = tf.Variable(tf.random_uniform([1,10],0,1))
# 創建一個1行10列的矩陣，最小值爲0，最大值爲1
b1 = tf.Variable(tf.zeros([1,10]))
# 創建一個1行10列的矩陣，值都爲0
wb1 = tf.matmul(x,w1)+b1
# wb1 = x * w1 + b1
layer1 = tf.nn.relu(wb1)
# 激勵函數的類型：
https://tensorflow.google.cn/api_guides/python/nn#Activation_Functions
# 激勵函數的作用：
https://zhuanlan.zhihu.com/p/25279356
六、輸出層（output layer）
w2 = tf.Variable(tf.random_uniform([10,1],0,1))
b2 = tf.Variable(tf.zeros([15,1]))
wb2 = tf.matmul(layer1,w2)+b2
# wb2 = wb1 * w2 + b2
layer2 = tf.nn.relu(wb2)
loss = tf.reduce_mean(tf.square(y-layer2))
# 計算真實值y和計算值layer2的標準差
# 方差 s^2=[(x1-x)^2+(x2-x)^2+......(xn-x)^2]/(n) （x爲平均數）
# 標準差=方差的算術平方根
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 每次梯度下降0.1，目的是縮小真實值y和計算值layer2的差值
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(0,10000):
sess.run(train_step,feed_dict={x:dateNormal,y:priceNormal})
# feed_dict是一個字典，在字典中需要給出每一個用到的佔位符的取值，每次迭代選取的數據只會擁有佔位符這一個結點。
# 訓練出w1、w2、b1、b2，但是還需要檢測是否有效
pred = sess.run(layer2,feed_dict={x:dateNormal})
# 訓練完的預測結果值
predPrice = np.zeros([15,1])
for i in range(0,15):
predPrice[i,0]=(pred*3000)[i,0]
# pred需要乘以3000是因爲前面 priceNormal[i,0] = endPrice[i]/3000.0;
plt.plot(date,predPrice,'b',lw=1)
plt.show()
結果：
函數解析：
tf.reduce_mean(input_tensor,axis=None,keepdims=None,name=None,reduction_indices=None,keep_dims=None)
-
解析：計算張量維度上元素的平均值。
-
參數：
input_tensor：張量減少。應該有數字類型。
axis：要減小的尺寸。如果None（默認）縮小所有尺寸。必須在範圍內 [ rank(input_tensor), rank(input_tensor) )。
keepdims：如果爲true，則保留長度爲1的縮小尺寸。
name：操作的名稱（可選）。
reduction_indices：軸的舊（已棄用）名稱。
keep_dims：已過時的別名keepdims。
延伸閱讀：