# 7Days-PreStock

**Repository Path**: beituo/7Days-PreStock

## Basic Information

- **Project Name**: 7Days-PreStock
- **Description**: 智能股票预测系统 (Stock Price Prediction System)
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2025-02-23
- **Last Updated**: 2025-02-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 智能股票预测系统 (Stock Price Prediction System)

基于深度学习的股票价格预测系统，集成 LSTM、CNN 和 Transformer 三种深度学习模型，支持 A 股和美股的未来 30 天股价预测。

## 功能特点

- 支持多个市场的股票预测（A 股和美股）
- 集成三种深度学习模型（LSTM、CNN、Transformer）
- 提供最长 30 天的未来股价预测
- 可配置 1-10 年的历史数据训练
- 自动生成预测报告和可视化图表
- 提供模型性能评估指标（MAPE、RMSE、MAE）
- 直观的图形用户界面
- 支持批量预测功能
- 自动处理异常值和缺失数据
- 动态学习率调整
- 多尺度特征提取
- 突发事件检测处理

## 预置股票

系统预置了以下新能源汽车相关股票：

- A 股：
  - 600104.SH (上汽集团)
  - 002594.SZ (比亚迪)
  - 601127.SH (赛力斯)
  - 600006.SH (长城汽车)
  - 601633.SH (广汽集团)
  - 300750.SZ (宁德时代)
- 美股：
  - TSLA (特斯拉)
  - LI (理想汽车)
  - NIO (蔚来汽车)
  - XPEV (小鹏汽车)

## 系统要求

- Python 3.8+
- Windows 10/11 或 Linux
- CUDA 支持（推荐用于模型训练加速）

## 依赖安装

```bash
pip install -r requirements.txt
```

主要依赖包：

- tushare >= 1.2.89 (A 股数据源)
- yfinance >= 0.2.3 (美股数据源)
- pandas >= 1.3.0
- numpy >= 1.19.5
- scikit-learn >= 0.24.2
- tensorflow >= 2.6.0
- torch >= 1.9.0
- matplotlib >= 3.4.3
- pyecharts >= 2.0.0

## 模型架构

### 1. LSTM 模型 (V2.0)

- 双向 LSTM 结构，支持双向信息流
- 多尺度注意力机制
- 突发事件检测和处理
- 残差连接和层归一化
- 动态学习率调整
- 梯度裁剪防止梯度爆炸
- 参数配置：
  - 隐藏层维度: 128
  - 网络层数: 3
  - Dropout 率: 0.2
  - 批次大小: 32
  - 学习率: 0.001

### 2. CNN 模型 (V2.1)

- 多尺度卷积核(1x1, 3x3, 5x5)
- 批归一化和 Dropout 正则化
- Huber 损失函数
- 参数配置：
  - 卷积核数量: 128
  - Dropout 率: 0.3
  - 批次大小: 32
  - 学习率: 0.001
  - 优化器: AdamW

### 3. Transformer 模型 (V2.0)

- 8 头注意力机制
- 3 层编码器结构
- 位置编码增强时序信息
- 多尺度特征提取
- 参数配置：
  - 模型维度: 128
  - 前馈网络维度: 512
  - 注意力头数: 8
  - Dropout 率: 0.15
  - 批次大小: 64

## 数据处理流程

1. 数据获取

   - A 股：通过 Tushare API 获取
   - 美股：通过 yfinance 获取

2. 数据预处理

   - 自动处理缺失值和异常值
   - 计算技术指标（MA、RSI、MACD、KDJ 等）
   - 数据标准化和归一化
   - 时序数据增强

3. 特征工程
   - 移动平均线（MA5、MA20、MA60）
   - 相对强弱指标（RSI）
   - MACD 指标
   - 布林带指标
   - KDJ 指标
   - 波动率指标
   - 动量指标

## 使用说明

1. 启动系统：

```bash
python app/main.py
```

2. 在界面中选择：

   - 股票代码（可从预置列表选择或手动输入）
   - 训练年限（1-10 年）
   - 预测起始日期
   - 预测结束日期（最多预测 30 天）

3. 点击"开始预测"按钮开始训练和预测

4. 点击"全部预测"按钮可以批量预测所有预置股票

## 输出文件

预测结果将保存在 `record/{股票代码}_{日期}` 目录下：

1. `prediction_results.xlsx`：包含四个工作表

   - 未来预测结果：30 天的预测数据
   - 历史预测结果：模型在历史数据上的表现
   - 评估指标：各模型的 MAPE、RMSE、MAE 指标
   - 模型配置：各模型的参数配置

2. `images/` 目录：
   - `historical_comparison.png`：历史预测对比图
   - `future_prediction.png`：未来预测趋势图
   - `metrics_comparison.png`：模型评估指标对比图

## 评估指标

- MAPE（平均绝对百分比误差）：衡量预测值与实际值的相对误差
- RMSE（均方根误差）：反映预测的准确性
- MAE（平均绝对误差）：反映预测的平均偏差
- 训练时长统计：记录模型训练耗时
- 预测准确率分析：不同时间尺度的准确率统计

## 注意事项

1. 首次使用需要配置 Tushare Token（用于获取 A 股数据）
2. 预测时长建议不超过 30 天
3. 建议使用 3-10 年训练数据以获得最佳效果
4. 预测结果仅供参考，投资需谨慎
5. GPU 加速需要正确配置 CUDA 环境

## 许可证

MIT License

## 贡献

欢迎提交 Issue 和 Pull Request