Python量化交易學習筆記（43）——深度學習挖短線股3

前面的文章已經介紹，将短線個股挖掘問題轉化為深度學習處理的分類問題，并且已經完成訓練，将訓練得到的模型儲存到本地。本文将記錄如何使用Keras加載模型并進行預測的過程。

結果預測

首先，找到訓練模型儲存的目錄，加載模型：

# 加載模型
    loaded_model = keras.models.load_model('./model/{}'.format(stk_code))
           

然後，讀入資料，将資料轉化為字典類型作為預測所使用的輸入字典，鍵為特征的索引，值為tensor。我們使用了220個特征，索引值依次為0至219。

# 讀入資料
    data_file = './baostock/prediction_data_pre/{}.csv'.format(stk_code)
    in_df = pd.read_csv(data_file)
    # 預測用的輸入字典
    temp_dict = {}
    # 将資料導入輸入字典
    for i in range(in_df.shape[1]):
        temp_dict[i] = in_df['{}'.format(i)].tolist()
    input_dict = {name: tf.convert_to_tensor(value) for name, value in temp_dict.items()}
           

接着，調用模型的predict方法進行預測，将預測結果儲存到清單results中。

# 進行預測
    predictions = loaded_model.predict(input_dict)
    results = []
    for i in range(in_df.shape[0]):
        results.append(predictions[i][0])
           

然後，我們在未來用于回測的資料後添加一列predict_result，并儲存到本地。這樣backtrader就可以通過加載本地檔案，完成基于深度學習的回測。

# 輸出到檔案
    data_file = './baostock/data_ext/{}.csv'.format(stk_code)
    out_df = pd.read_csv(data_file)
    out_df = out_df[(out_df['date'] > '2017-12-31') & (out_df['date'] <= '2020-06-30')]
    out_df['predict_result'] = results
    out_df.to_csv('./baostock/predict_results/{}res.csv'.format(stk_code), index = False)
           

最後，還是記得在每隻股票完成預測後，清理記憶體，以防記憶體被刷爆。

# 清理記憶體
    backend.clear_session()
           

以上就完成了加載本地模型進行預測的過程，完整代碼如下。下一篇文章将記錄如果使用預測結果，進行多股回測。

import tensorflow as tf
import numpy as np
import pandas as pd
import os
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras import backend

stk_code_file = './stk_data/dp_stock_list.csv'
stk_list = pd.read_csv(stk_code_file)['code'].tolist()

for stk_code in stk_list:
    print('processing {} ...'.format(stk_code))
    # 加載模型
    loaded_model = keras.models.load_model('./model/{}'.format(stk_code))
    # 讀入資料
    data_file = './baostock/prediction_data_pre/{}.csv'.format(stk_code)
    in_df = pd.read_csv(data_file)
    # 預測用的輸入字典
    temp_dict = {}
    # 将資料導入輸入字典
    for i in range(in_df.shape[1]):
        temp_dict[i] = in_df['{}'.format(i)].tolist()
    input_dict = {name: tf.convert_to_tensor(value) for name, value in temp_dict.items()}
    # 進行預測
    predictions = loaded_model.predict(input_dict)
    results = []
    for i in range(in_df.shape[0]):
        results.append(predictions[i][0])
    # 輸出到檔案
    data_file = './baostock/data_ext/{}.csv'.format(stk_code)
    out_df = pd.read_csv(data_file)
    out_df = out_df[(out_df['date'] > '2017-12-31') & (out_df['date'] <= '2020-06-30')]
    out_df['predict_result'] = results
    out_df.to_csv('./baostock/predict_results/{}res.csv'.format(stk_code), index = False)
    # 清理記憶體
    backend.clear_session()
           

歡迎大家關注、點贊、轉發、留言，感謝支援！

為了便于互相交流學習，已建微信群，感興趣的讀者請加微信。