# 基于深度学习的股票收盘价预测

**Repository Path**: luoguoyu/PredictStock

## Basic Information

- **Project Name**: 基于深度学习的股票收盘价预测
- **Description**: 本项目为基于深度学习的股票收盘价预测与可视化系统，采用RNN（SimpleRNN）模型对A股股票的历史收盘价进行预测，并通过Gradio实现交互式可视化界面。用户可选择不同股票、时间区间，甚至自定义股票代码和时间范围，系统自动训练模型并预测未来股价，输出均方误差和可视化预测图。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 2
- **Created**: 2025-05-17
- **Last Updated**: 2025-09-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于深度学习的股票收盘价预测

#### 介绍
本项目为基于深度学习的股票收盘价预测与可视化系统，采用RNN（SimpleRNN）模型对A股股票的历史收盘价进行预测，并通过Gradio实现交互式可视化界面。用户可选择不同股票、时间区间，甚至自定义股票代码和时间范围，系统自动训练模型并预测未来股价，输出均方误差和可视化预测图。预测图中自动标注未来区间的最高价、最低价和最后一天预测价，界面交互友好，适合金融分析、教学演示等场景。

---

#### 软件架构

- **数据获取**：集成 Tushare Pro 接口，自动拉取A股任意股票的历史日线数据。
- **数据处理**：归一化、滑动窗口序列构建。
- **模型训练**：Keras SimpleRNN 深度学习模型，自动保存/加载每个“股票+时间区间”唯一模型。
- **预测与评估**：支持未来N天递推预测，输出均方误差。
- **可视化与交互**：Gradio界面，左侧为输入区（股票选择、时间区间、自定义输入），右侧为输出区（均方误差、预测图）。

---

#### 安装教程

1. 克隆本项目到本地  
   ```bash
   git clone <your-repo-url>
   cd <your-project-folder>
   ```

2. 安装依赖包  
   推荐使用 Anaconda 环境，或直接用 pip 安装：
   ```bash
   pip install tushare numpy pandas scikit-learn tensorflow matplotlib pillow gradio
   ```

3. 配置 Tushare Pro Token  
   - 在 [Tushare 官网](https://tushare.pro/) 注册账号，获取你的 token。
   - 在 `PredictStock.py` 中找到 `pro = ts.pro_api('你的token')`，将其替换为你的 token 字符串。

---

#### 使用说明

1. 运行主程序  
   ```bash
   python PredictStock.py
   ```
   程序启动后会自动打开 Gradio 网页界面。

2. 在左侧选择股票代码（可自定义输入）、选择时间范围（可自定义输入起止日期），点击“预测”按钮。

3. 右侧会输出均方误差和预测图。预测图中红线为历史真实收盘价，蓝线为测试集预测，绿线为未来预测，并自动标注未来区间的最高价、最低价和最后一天预测价。

4. 每个“股票+时间区间”模型自动保存，后续同样请求会直接加载，无需重复训练。

---

#### 其他说明

- 支持自定义股票代码和任意时间区间，灵活性高。
- 支持扩展为LSTM/GRU等更复杂模型，或添加更多特征。
- 如遇中文显示问题，请确保 matplotlib 字体设置为支持中文的字体（如 SimHei）。
- 如需批量预测或集成更多功能，可在此基础上扩展。

---

#### 主要依赖

- tushare
- numpy
- pandas
- scikit-learn
- tensorflow/keras
- matplotlib
- pillow
- gradio

---

#### 联系方式

如有问题或建议，欢迎联系项目作者。
```


#### 参与贡献

1.  Fork 本仓库
2.  新建 Feat_xxx 分支
3.  提交代码
4.  新建 Pull Request