0 前言

🔥 優(yōu)質(zhì)競賽項目系列，今天要分享的是

🚩 機器學(xué)習(xí)股票大數(shù)據(jù)量化分析與預(yù)測系統(tǒng)

該項目較為新穎，適合作為競賽課題方向，學(xué)長非常推薦！

🥇學(xué)長這里給一個題目綜合評分(每項滿分5分)

• 難度系數(shù)：3分
• 工作量：3分
• 創(chuàng)新點：3分

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate

1 課題背景

基于機器學(xué)習(xí)的股票大數(shù)據(jù)量化分析系統(tǒng)，具有以下功能：

• 采集保存數(shù)據(jù)；
• 分析數(shù)據(jù)；
• 可視化；
• 深度學(xué)習(xí)股票預(yù)測

2 實現(xiàn)效果

UI界面設(shè)計

功能簡述

日常數(shù)據(jù)獲取更新

交易功能

web預(yù)測界面

• LSTM長時間序列預(yù)測
• RNN預(yù)測
• 機器學(xué)習(xí)預(yù)測
• 股票指標(biāo)分析

預(yù)測效果如下：

RSRS選股界面

3 軟件架構(gòu)

整體的軟件功能結(jié)構(gòu)如下圖

4 工具介紹

Flask框架

簡介

Flask是一個基于Werkzeug和Jinja2的輕量級Web應(yīng)用程序框架。與其他同類型框架相比，Flask的靈活性、輕便性和安全性更高，而且容易上手，它可以與MVC模式很好地結(jié)合進行開發(fā)。Flask也有強大的定制性，開發(fā)者可以依據(jù)實際需要增加相應(yīng)的功能，在實現(xiàn)豐富的功能和擴展的同時能夠保證核心功能的簡單。Flask豐富的插件庫能夠讓用戶實現(xiàn)網(wǎng)站定制的個性化，從而開發(fā)出功能強大的網(wǎng)站。

本項目在Flask開發(fā)后端時，前端請求會遇到跨域的問題，解決該問題有修改數(shù)據(jù)類型為jsonp，采用GET方法，或者在Flask端加上響應(yīng)頭等方式，在此使用安裝Flask-
CORS庫的方式解決跨域問題。此外需要安裝請求庫axios。

Flask框架圖

代碼實例

?

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')# 中文停用詞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.com",'referer': "https://movie.douban.com/",'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數(shù)據(jù)庫

簡介

MySQL是一個關(guān)系型數(shù)據(jù)庫，由瑞典MySQL AB公司開發(fā)，目前已經(jīng)被Oracle收購。

Mysql是一個真正的多用戶、多線程的SQL數(shù)據(jù)庫。其使用的SQL（結(jié)構(gòu)化查詢語言）是世界上最流行的和標(biāo)準(zhǔn)化的數(shù)據(jù)庫語言，每個關(guān)系型數(shù)據(jù)庫都可以使用MySQL是以客戶機/服務(wù)器結(jié)構(gòu)實現(xiàn)的，也就是俗稱的C/S結(jié)構(gòu)，它由一個服務(wù)器守護程序mysqld和很多不同的客戶程序和庫組成。

Python操作mysql數(shù)據(jù)庫

本項目中我們需要使用python來操作mysql數(shù)據(jù)庫，因此需要用到 pymysql 這個庫

安裝：

?
pip install pymysql

數(shù)據(jù)庫連接實例：

?
# 導(dǎo)入pymysql
import pymysql

# 定義一個函數(shù)
# 這個函數(shù)用來創(chuàng)建連接(連接數(shù)據(jù)庫用）
def mysql_db():# 連接數(shù)據(jù)庫肯定需要一些參數(shù)conn = pymysql.connect(host="127.0.0.1",port=3307,database="ksh",charset="utf8",user="root",passwd="123456")if __name__ == '__main__':mysql_db()

?

數(shù)據(jù)庫連接實例：

?
# 導(dǎo)入pymysql
import pymysql

# 定義一個函數(shù)
# 這個函數(shù)用來創(chuàng)建連接(連接數(shù)據(jù)庫用）
def mysql_db():# 連接數(shù)據(jù)庫肯定需要一些參數(shù)conn = pymysql.connect(host="127.0.0.1",port=3307,database="ksh",charset="utf8",user="root",passwd="123456")if __name__ == '__main__':mysql_db()

?

LSTM

簡介

長短期記憶（Long short-term memory,
LSTM）是一種特殊的RNN，主要是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現(xiàn)。

LSTM結(jié)構(gòu)（圖右）和普通RNN的主要輸入輸出區(qū)別如下所示。


Torch代碼實現(xiàn)

?
import torch
from sklearn.metrics import accuracy_score

#定義需要的模型結(jié)構(gòu)，繼承自torch.nn.Module
#必須包含__init__和forward兩個功能
class mylstm(torch.nn.Module):def __init__(self, lstm_input_size, lstm_hidden_size, lstm_batch, lstm_layers):# 聲明繼承關(guān)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# 定義lstm層self.lstm_layer = torch.nn.LSTM(self.lstm_input_size, self.lstm_hidden_size, num_layers=self.lstm_layers, batch_first=True)# 定義全連接層 二分類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)# 保留最后一步的輸出x = x[:, -1, :]# 全連接x = self.out(x)return xdef init_hidden(self):#初始化隱藏層參數(shù)全0return torch.zeros(self.lstm_batch, self.lstm_hidden_size)

5 最后

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate