炒股技巧
技术指标 
炒股入门 
炒股专题 
炒股问题 
外部文章 
网站首页炒股票软件排行榜(炒股票软件 python)
数据是个宝
数据宝
炒股少烦恼
AI硬件有望进入加速期。
今天上午AI题材全线反弹，CPO概念、PCB概念、英伟达概念等相关题材均大幅上涨。个股方面，双飞股份、弘信电子两股20cm涨停，香农芯创大涨近14%，金安国纪、拓维信息、德明利等个股涨停。
有机构认为，AI行情有望持续，尤其是硬件板块，在AI加持之下有望迎来加速发展期，业绩兑现可能性更大。据此，数据宝梳理出AI硬件板块核心龙头股名单，以飨读者。
AI行情有望持续
今年以来以AI为首的TMT板块，成为市场最大热点。从申万一级行业来看，通信、传媒、计算机等板块均大涨超20%，位居涨幅榜前三。概念指数方面，CPO概念、光通信等实现翻倍，服务器、游戏出海、中文语料库等众多AI类 题材大涨超50%。
AI板块目前正进入高位震荡态势，未来能否持续走强？
广发证券认为，AI+调整短期受到事件催化和交易层面等因素扰动。其表示，数字经济AI+确定性产业趋势将会持续受益于此，并不能以周期性思维简单理解“经济差，炒主题”。建议把握“科技奇点”确定性，继续推荐数字经济AI+配置机遇，围绕“业绩印证”关注两条投资线索：AI业绩拉动已兑现的算力（光模块/AI芯片/服务器）；主业预期复苏且AI赋能提估值的环节（半导体设计/游戏/广告营销）。
德邦证券表示，AI硬件处于放量前夕，有望进入加速发展期。
36只AI硬件概念股
年内股价翻倍
算力需求推动AI服务器增长，OMD（模外薄膜装饰技术）厂商及相关硬件步入黄金时代。
数据宝梳理出AI服务器、AI芯片、CPO、PCB、存储芯片、交换机、数据中心、液冷、服务器电源、服务器电源芯片等十大AI硬件概念，入选股票达360多只，合计总市值达7万亿元。
其中有7只个股市值破千亿元，包括AI服务器龙头工业富联，市值超4725亿元；AI芯片概念股海康威视，市值超3121亿元；CPO概念股立讯精密，市值接近2400亿元；数据中心概念股国电南瑞等。
与大盘走势相比，AI硬件概念股年内股价表现完胜大盘指数。数据显示，上述个股年内平均涨幅接近42％，远超各大指数同期表现。36只AI硬件概念股年内股价翻倍，联特科技、剑桥科技、佰维存储、中际旭创等涨幅均超4倍。
核心龙头全名单揭秘
各个细分子行业的核心龙头，有望继续畅享AI红利。数据宝梳理出各细分行业龙头，合计有60多股。比如，AI服务器的工业富联、浪潮信息等；AI芯片的海光信息、寒武纪-U等；PCB的沪电股份、胜宏科技等；存储芯片的兆易创新、江波龙等；CPO概念的中际旭创、新易盛等；交换机概念的星网锐捷、锐捷网络等；数据中心的中兴通讯、宝信软件等。
从机构关注度来看，中兴通讯、中际旭创、紫光股份、中科曙光、沪电股份、宝信软件等均有10家以上机构评级。
未来成长性方面，英维克、海光信息、源杰科技、长光华芯、景嘉微等19股机构一致预测未来三年净利增速均超30%，其中，晶丰明源机构一致预测三年净利增速均超60%。
部分核心标的获得机构青睐。其中，锐捷网络、鼎通科技、中兴通讯等17股为社保重仓股；菲菱科思、亨通光电、紫光股份、源杰科技等14股为险资重仓股。综合来看，亨通光电、紫光股份、源杰科技、中兴通讯、浪潮信息5股为社保险资共同重仓股。
声明：数据宝所有资讯内容不构成投资建议，股市有风险，投资需谨慎。
责编：何予
校对：赵燕
数据宝（shujubao2015）：证券时报智能原创新媒体。
股票市场涨涨跌跌，好像毫无规律，但有一些人却凭借自己的直觉掌握了一些特殊规律，从而实现在股票上的实现斩获。现在在人工智能时代，Python+AI框架，无疑会利用人工智能优势可以对股票市场进行特征学习，抓取比凭借个人感觉更多的股票数字特征。本文要介绍的就是利用Python+keras对股票进行时间序列上的数字特征预测。
用Python结合人工智能尝试预测股票，会成就下一个股神?
预备条件：
假设您熟悉python，并且已经在系统中安装了python 3。本教程中使用了jupyter笔记本。您可以使用自己喜欢的IDE。
使用的数据集：本教程中使用的数据集是基于Tushare获取的股票信息。更多股票代码可以用下面的搜索工具获取。至于Tushare的使用，可以参考以前的文章学习。
搜更多精彩内容
股票查询
安装所需的库
对于此项目，您需要在python中安装以下软件包。如果未安装，则只需使用即可pip install PackageName。
NumPy —该库提供快速计算的n维数组对象。
Pandas —它提供了一个数据框和序列，可以对数据执行操作和分析。
matplotlib —该库有助于使用各种图表来可视化数据。
scikit-learn —这是一个机器学习库，提供了用于预测分析的各种工具和算法。我们将使用其工具或功能进行数据预处理。
Keras —这是一个基于TensorFlow的高级深度学习库，用于提供神经网络的简单实现。我们之所以使用它，是因为它对初学者友好且易于实施。
TensorFlow -这个库是由所需Keras作为Keras运行在TensorFlow本身。
开始编码首先，需要导入将在项目中使用的库。在这里，numpy用于创建NumPy数组以训练和测试数据。pandas用于制作数据集的数据框并轻松检索值。matplotlib.pyplot绘制总体股价和预测价格之类的数据。MinMaxScaler从sklearn的（scikit-learn）预处理程序包中进行归一化处理。Sequential dense LSTM Dropout从Keras导入了数据，将有助于创建深度学习模型。稍后将讨论这些模块。
import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler #for deep learning model from keras import Sequential from keras.layers import Dense from keras.layers import LSTM from keras.layers import Dropout
现在，将数据集作为数据框加载到名为df的变量中。然后，检查了数据集的形状，结果为（2035,8）表示数据集中有2035行和8列。之后，将数据集上下颠倒过来，以便日期从最早的日期开始到最近的日期，这样做还必须重置索引。然后，打印数据集的一些开始行head()。
df = pd.read_csv('tu.csv') df.shape df = df[::-1] df = df.reset_index(drop=True) df.head()
数据集的前5个条目
仅选择了一个“ 开放”功能来训练的模型，但是您可以自由选择多个功能，但是随后将相应地更改代码。在训练集中，有2000个值，而在测试中，只选择35个值。然后简单地打印了两个类别的数据，分别train_set test_set是（2000,1）和（35,1）。
open_price = df.iloc[:,1:2] train_set = open_price[:2000].values test_set = open_price[2000:].values print("Train size: ",train_set.shape) print("Test size:",test_set.shape)
在这里，将Date列转换为DateTime格式以方便地进行绘制。然后简单地用于plot_date绘制整个时间轴上的股票开盘价的图，并使用保存该图savefig。
dates = pd.to_datetime(df['Date']) plt.plot_date(dates, open_price,fmt='-') plt.savefig("test1final.png")
现在，已经初始化了MinMaxScalar用于缩放0到1范围内的每个值的。这是非常重要的一步，因为当特征处于相对相似的缩放比例时，神经网络和其他算法的收敛速度更快。
sc = MinMaxScaler（） train_set_scaled = sc.fit_transform（train_set）
棘手的部分到了。现在，必须使数据适合我们的RNN模型，即使用目标最终值制作数据序列。让我用这个例子来解释。假设数据集的值介于1到10之间，并且序列长度为3。在这种情况下，训练数据如下所示：
序列训练数据示例在代码中，序列的长度为60，这意味着只有前60个值将决定下一个值，而不是整个数据集。之后，创建了NumPy x_train和NumPy数组以y_train进行快速计算，并根据模型的要求重塑了训练集。的最终形状为x_train（1940，60，1）。
x_train = [] y_train = [] for i in range(60,2000): x_train.append(train_set_scaled[i-60:i,0]) y_train.append(train_set_scaled[i,0]) x_train = np.array(x_train) y_train = np.array(y_train)x_train = np.reshape(x_train,(x_train.shape[0],x_train.shape[1],1)) x_train.shape
现在，将创建模型的架构。使用Keras是因为与其他可用库相比，使用Keras进行深度学习模型非常容易。在这里，初始化了Sequential对象，该对象充当模型内所有图层的捆绑程序。模型总共有4个LSTM层和1个致密层。
LSTM（长期短期记忆）是一种递归神经网络，具有一些上下文状态单元，它们充当长期或短期记忆单元，并且这些单元调节输出。当需要根据历史背景而不是仅根据最后的输入来预测输出时，这一点很重要。例如，必须预测序列3,4,5 ,?中的下一个数字。那么输出就是6（x + 1），但是顺序为0,2,4 ,? 输出也是6，但是它也取决于上下文信息。
Dropout用于通过一次简单地停用某些单元（神经元）来防止数据过拟合。在案例中，一次会停用20％的单元。最后，有一个包含1个单位的密集层，可提供预测值。
然后，只需使用优化程序编译模型，然后将模型拟合到数据上，然后运行20次迭代即可。
reg = Sequential()reg.add(LSTM(units = 50,return_sequences=True,input_shape=(x_train.shape[1],1))) reg.add(Dropout(0.2))reg.add(LSTM(units = 50,return_sequences=True)) reg.add(Dropout(0.2))reg.add(LSTM(units = 50,return_sequences=True)) reg.add(Dropout(0.2))reg.add(LSTM(units=50)) reg.add(Dropout(0.2))reg.add(Dense(units=1)) reg.compile(optimizer = 'adam',loss='mean_squared_error') reg.fit(x_train,y_train, epochs=20, batch_size =1,verbose=2)
每次迭代的损失
如您所见，模型收敛于15 个epoch，总共花了90分钟才能运行20次。是的，RNN模型需要时间训练。
RNN模型需要时间现在，是时候为测试创建输入了。的形状input为（95，1），下面也缩放了此数据。
input = open_price[len(open_price)-len(test_set)-60:].values input.shape input = sc.transform(input)
这是最后一部分，其中简单地制作数据序列以预测最近35天的库存值。第一个序列包含从1至60的数据来预测第61个值，第二个序列包含从2到61的数据来预测第62个值，依此类推。的形状x_test是（35，60，1），这说明了这一点。
x_test = [] for i in range(60,95): x_test.append(input[i-60:i,0]) x_test = np.array(x_test) x_test = np.reshape(x_test,(x_test.shape[0],x_test.shape[1],1)) x_test.shape
最终，只是预测使用值predict定义的模型的功能，并绘制最后35个某种给定股票的实际和预测值。
pred = reg.predict(x_test) pred = sc.inverse_transform(pred) plt.plot(test_set,color='green') plt.plot(pred,color='red') plt.title('股票预测') plt.show()
最后具体运行结果就作为作业留给大家自行完成。但可以很乐观的告诉大家，模型在某些特定时间段上预测给定股票的未来趋势方面非常准确。
但是，距离成为股票市场上的出色顾问还会有比较大的挑战。
下一步目标通过合并更多功能，增加数据集以及调整模型本身，可以进一步改善模型。
