股票预测是金融领域中的重要问题，通过对历史股票数据的分析和建模，我们可以尝试预测未来股票的价格趋势，为投资决策提供参考。本项目是基于PyTorch深度学习框架实现一个使用时间卷积网络（TCN，Temporal Convolutional Network）来进行股票预测的项目，该网络通过堆叠因果卷积和扩张卷积，能够捕捉时间序列依赖关系和特征，可以有效地处理时间序列数据，最后进行预测。网络的输入是历史股票收盘价（单特征），输出是预测的股票收盘价。【本项目的代码文件分模块整理，包含模型构建、数据划分、训练过程等模块都清晰分明】
该算法于2016年由Lea等人他们在做视频动作分割的研究首先提出，CNN模型以 CNN 模型为基础，并做了如下改进：①适用序列模型：因果卷积（Causal Convolution）②记忆历史：空洞卷积/膨胀卷积（Dilated Convolution），残差模块（Residual block）。
因果卷积是一种卷积操作，主要应用于时间序列数据或具有时序性的数据分析任务。因果卷积在卷积操作中引入了因果性，确保输出只依赖于过去的输入数据，不受未来信息的影响。（下图为因果卷积过程）
膨胀因果卷积（Dilated Causal Convolution）是在因果卷积的基础上引入了膨胀（Dilation）操作的一种卷积操作。它结合了因果卷积和扩张卷积（Dilated Convolution）的特性，能够增加感受野（Receptive Field）并保持因果性。（下图为膨胀因果卷积，相比于上图，以较少的计算代价实现了更大的感受野）
整体的TCN模型如下图所示，较深的网络结构可能会引起梯度消失等问题，该模型利用了一种类似于ResNet中的残差块的结构，这样设计的TCN结构更加的具有泛化能力。
实验采用的是深沪300数据集sh300.csv（后文有源码和数据集获取方式），这是公开的数据集，百度一下应该也可以找得到，数据集展示如下（所展示的数据是sh300_test.csv，本人在原数据集基础上删掉某些列的数据），实验只使用了红框中的收盘价作为输入特征进行预测。
数据划分：以滑窗的方式进行数据划分，滑窗大小为20，输入特征为1，每次滑窗的第21天为预测的标签值。
平台：Window 11
语言：python3.9
编译器：Pycharm
框架：Pytorch:1.13.1
model_TCN.py定义了项目用到的网络TCN模型，该模型由多个组件组成，包括Crop模块、TemporalCasualLayer模块、TemporalConvolutionNetwork模块和TCN模块。Crop模块用于裁剪输入张量的时间维度，去除多余的padding部分。TemporalCasualLayer模块实现了一个膨胀卷积层，由两个膨胀卷积块组成。每个膨胀卷积块包含一个带有权重归一化的卷积层、裁剪模块、ReLU激活函数和Dropout正则化。此外，还包括一个用于快捷连接的卷积层。TemporalConvolutionNetwork模块通过堆叠多个TemporalCasualLayer组成了一个完整的TCN网络。每个TemporalCasualLayer具有不同的膨胀系数，并根据输入和输出通道的数量进行设置。TCN模块封装了TemporalConvolutionNetwork，并添加了一个线性层用于最终的预测。在前向传播中，先经过TCN网络，然后将输出的最后一个时间步传入线性层，并通过ReLU激活函数进行非线性变换。通过以上组件的组合，该TCN模型可以用于时间序列建模任务，并在最后输出预测结果。（本来网络最后一层是没有激活Relu的，后来发现效果不是很好，我在最后一层加上激活Relu后，实现预测的效果还不错）
import torch.nn as nn
from torch.nn.utils import weight_norm
#用于裁剪输入张量的时间维度，去除多余的 padding 部分。
class Crop(nn.Module):
def __init__(self, crop_size):
super(Crop, self).__init__()
self.crop_size = crop_size
def forward(self, x):
#裁剪张量以去除额外的填充
return x[:, :, :-self.crop_size].contiguous()
#实现了一个膨胀卷积层，由两个膨胀卷积块组成。每个膨胀卷积块包含一个带有权重归一化的卷积层、裁剪模块、ReLU激活函数和 Dropout 正则化。此外，还包括了一个用于快捷连接的卷积层
class TemporalCasualLayer(nn.Module):
def __init__(self, n_inputs, n_outputs, kernel_size, stride, dilation, dropout=0.2):
super(TemporalCasualLayer, self).__init__()
padding = (kernel_size - 1) * dilation
conv_params = {
'kernel_size': kernel_size,
'stride': stride,
'padding': padding,
'dilation': dilation
}
self.conv1 = weight_norm(nn.Conv1d(n_inputs, n_outputs, **conv_params))
self.crop1 = Crop(padding)
self.relu1 = nn.ReLU()
self.dropout1 = nn.Dropout(dropout)
self.conv2 = weight_norm(nn.Conv1d(n_outputs, n_outputs, **conv_params))
self.crop2 = Crop(padding)
self.relu2 = nn.ReLU()
self.dropout2 = nn.Dropout(dropout)
self.net = nn.Sequential(self.conv1, self.crop1, self.relu1, self.dropout1,
self.conv2, self.crop2, self.relu2, self.dropout2)
#快捷连接
self.bias = nn.Conv1d(n_inputs, n_outputs, 1) if n_inputs != n_outputs else None
self.relu = nn.ReLU()
def forward(self, x):
# 应用因果卷积和快捷连接
y = self.net(x)
b = x if self.bias is None else self.bias(x)
return self.relu(y + b)
#通过堆叠多个 TemporalCasualLayer 组成了一个完整的 TCN 网络。每个 TemporalCasualLayer 具有不同的膨胀系数，并根据输入和输出通道的数量进行设置。
class TemporalConvolutionNetwork(nn.Module):
def __init__(self, num_inputs, num_channels, kernel_size=2, dropout=0.2):
super(TemporalConvolutionNetwork, self).__init__()
layers = []
num_levels = len(num_channels)
tcl_param = {
'kernel_size': kernel_size,
'stride': 1,
'dropout': dropout
}
for i in range(num_levels):
dilation = 2 ** i
in_ch = num_inputs if i == 0 else num_channels[i - 1]
out_ch = num_channels[i]
tcl_param['dilation'] = dilation
tcl = TemporalCasualLayer(in_ch, out_ch, **tcl_param)
# tcl = self.relu(tcl)
layers.append(tcl)
self.network = nn.Sequential(*layers)
def forward(self, x):
return self.network(x)
#封装了 TemporalConvolutionNetwork，并添加了一个线性层用于最终的预测。在前向传播中，先经过 TCN 网络，然后将输出的最后一个时间步传入线性层，并通过 ReLU 激活函数进行非线性变换。
class TCN(nn.Module):
def __init__(self, input_size, output_size, num_channels, kernel_size, dropout):
super(TCN, self).__init__()
self.tcn = TemporalConvolutionNetwork(input_size, num_channels, kernel_size=kernel_size, dropout=dropout)
self.linear = nn.Linear(num_channels[-1], output_size)
self.relu = nn.ReLU()
def forward(self, x):
# 应用TCN和线性层，然后使用ReLU激活函数
y = self.tcn(x) # [N,C_out,L_out=L_in]
return self.relu(self.linear(y[:, :, -1]))
config类中定义了项目所有需要的参数，可以在里面修改训练参数。
DataSplit.py 是实现数据划分的函数，通过滑动窗口，将每个窗口大小的数据作为训练数据，将其后面一个数据作为预测结果，再进行划分训练数据和标签，最后分成训练集和验证集。
该py文件实现整体训练流程并做绘图操作。依次实现加载数据、数据标准化、取出WIND数据、划分训练集测试集、数据转化为Tensor、形成数据更迭器、载入模型、定义损失、定义优化器、开始训练、损失可视化、显示预测结果。
采用模型训练完成后的pth对数据进行预测，可以展示模型预测效果，前面的处理过程类似test_wind_CNN.py所示。
将训练后产生并收集的loss.csv展示出来，也就是损失图，红框可调展示范围。
该损失是训练了200个epoch的损失图：
纵坐标放大局部范围展示：
训练epoch=200后的股票收盘价预测效果如下（使用pth参数文件进行测试预测）：
局部展示（展示前两百天的预测效果）：
若有朋友需要可运行的源码和数据集，可以guan注【科研小条】公众号，回复【股票预测TCN】，即可获得。
