畢業(yè)設(shè)計 機器學習股票數(shù)據(jù)量化分析與預(yù)測系統(tǒng)
0 前言
?? 這兩年開始畢業(yè)設(shè)計和畢業(yè)答辯的要求和難度不斷提升，傳統(tǒng)的畢設(shè)題目缺少創(chuàng)新和亮點，往往達不到畢業(yè)答辯的要求，這兩年不斷有學弟學妹告訴學長自己做的項目系統(tǒng)達不到老師的要求。
為了大家能夠順利以及最少的精力通過畢設(shè)，學長分享優(yōu)質(zhì)畢業(yè)設(shè)計項目，今天要分享的是
?? ?機器學習股票大數(shù)據(jù)量化分析與預(yù)測系統(tǒng)
難度系數(shù)：3分
工作量：3分
創(chuàng)新點：3分
畢設(shè)幫助，選題指導，技術(shù)解答，歡迎打擾，見B站個人主頁
https://space.bilibili.com/33886978
1 課題背景
基于機器學習的股票大數(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；
深度學習股票預(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
機器學習預(yù)測
股票指標分析
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，F(xiàn)lask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, jsonify
import requests
from bs4 import BeautifulSoup
from snownlp import SnowNLP
import jieba
import numpy as np
app = 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/<movie_name>')
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準化的數(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_size
? ? ? ?self.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)
? ? ? ?# LSTM
? ? ? ?x, _ = self.lstm_layer(x)
? ? ? ?# 保留最后一步的輸出
? ? ? ?x = x[:, -1, :]
? ? ? ?# 全連接
? ? ? ?x = self.out(x)
? ? ? ?return x
? ?def init_hidden(self):
? ? ? ?#初始化隱藏層參數(shù)全0
? ? ? ?return torch.zeros(self.lstm_batch, self.lstm_hidden_size)
畢設(shè)幫助，選題指導，技術(shù)解答，歡迎打擾，見B站個人主頁
https://space.bilibili.com/33886978
