近期股市行情牛轉熊，大盤一直下探！由3200跌到了2700，想必很多人被深套了。這時想起人工智能能否預測股市趨勢?RNN能否起作用？

　　這時便從網上找下教程，發現網上有個例子，便拿來一試！Tensorflow實例：利用LSTM預測股票每日最高價（二）

　　這個實例大體上沒有大問題，只是有些小細節有問題！要想直接復制運行，是會報錯的。首先整下代碼過程原作者已經寫得很清楚了，但對於初學者來講，有些地方還是不太明白的。我作為一個初學者，先來談談我在整個實測中的收獲吧！

　　實例的思路：通過tushare可以獲取股票數據，

import tushare as ts
hist = ts.get_hist_data(‘
 
600804‘)
hist.to_csv(‘f:/py/data/stock-1.csv‘)

然後用pandas進行數據整理,實例中的代碼已經有說明了，這裏就不再重復。在整例子中，最重要的還是要清楚數據的shape。

在生成訓練集和測試集數據時，樣本數（batch_size）、時間步（time_step）和（input_size)構成了RNN神經網絡的輸入數據的shape=[batch_size,time_step,input_size]。我想重點說說這三個參數代表的意思。input_size是數據中最低價、最高價、開盤價、收盤價、交易量、交易額、跌漲幅等因素，共7個；time_step=20，是連續的20條數據。batch_size

對比訓練方法和測試方法，都有lstm()方法，當prediction()函數裏再次運行lstm()方法時，需要在lstm()方法前通過tf.get_variable_scope().reuse_variables()

也可用with tf.variable_scope(‘scope_name’,reuse=True)來重用變量，在保存變量時，必須也要使用with tf.variable_scope(‘scope_name’）來命名變量空間。為什麽需要重用？因為在載入之前保存訓練結果的變量時，需要有變量來存儲這此結果，在同一文件裏，之前的train()函數將結果保存在變量裏，這時無法再使用變量。如果保存和載入不在同一個文件，則不存在這些問題。另外，用來接收載入數據的變量必須要和保存的一致！

def prediction(time_step=20):
    X = tf.placeholder(tf.float32, shape=[None,time_step,input_size])
    #Y=tf.placeholder(tf.float32, shape=[None,time_step,1])
    mean,std,test_x,test_y=get_test_data()
    tf.get_variable_scope().reuse_variables()         # 變量重用
    pred,_=lstm(X)
    saver = tf.train.Saver(tf.global_variables())
    with tf.Session() as sess:
        #參數恢復

        #saver = tf.train.import_meta_graph(‘f:/py/data/stock2.model-1800.meta‘)
        saver.restore(sess, ‘./Model/stock.ckpt-100‘)
        test_predict=[]
        for step in range(len(test_x)-1):
            prob=sess.run(pred,feed_dict={X:[test_x[step]]})
            predict=prob.reshape((-1))
            test_predict.extend(predict)
        test_y=np.array(test_y)*std[7]+mean[7]
        test_predict=np.array(test_predict)*std[7]+mean[7]
        acc=np.average(np.abs(test_predict-test_y[:len(test_predict)])/test_y[:len(test_predict)])  #偏差
        print(test_predict)
        print(test_y)
        #以折線圖表示結果
        plt.figure()
        plt.plot(list(range(len(test_predict))), test_predict, color=‘b‘)
        plt.plot(list(range(len(test_y))), test_y,  color=‘r‘)
        plt.show()

最後總結一下整個實測結果，代碼能完全運行，但並不能預測。因為股市並不僅僅是因為幾個價格就能預測出來的。這僅僅是個學習RNN的例子。

實測 《Tensorflow實例：利用LSTM預測股票每日最高價（二）》的結果