Python量化交易学习笔记（43）——深度学习挖短线股3

前面的文章已经介绍，将短线个股挖掘问题转化为深度学习处理的分类问题，并且已经完成训练，将训练得到的模型保存到本地。本文将记录如何使用Keras加载模型并进行预测的过程。

结果预测

首先，找到训练模型保存的目录，加载模型：

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

然后，读入数据，将数据转化为字典类型作为预测所使用的输入字典，键为特征的索引，值为tensor。我们使用了220个特征，索引值依次为0至219。

    # 读入数据
    data_file = './baostock/prediction_data_pre/{}.csv'.format(stk_code)
    in_df = pd.read_csv(data_file)
    # 预测用的输入字典
    temp_dict = {
    
    }
    # 将数据导入输入字典
    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，调用模型的predict方法进行预测，将预测结果保存到列表results中。

    # 进行预测
    predictions = loaded_model.predict(input_dict)
    results = []
    for i in range(in_df.shape[0]):
        results.append(predictions[i][0])

然后，我们在未来用于回测的数据后添加一列predict_result，并保存到本地。这样backtrader就可以通过加载本地文件，完成基于深度学习的回测。

    # 输出到文件
    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)

最后，还是记得在每只股票完成预测后，清理内存，以防内存被刷爆。

    # 清理内存
    backend.clear_session()

以上就完成了加载本地模型进行预测的过程，完整代码如下。下一篇文章将记录如果使用预测结果，进行多股回测。

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))
    # 加载模型
    loaded_model = keras.models.load_model('./model/{}'.format(stk_code))
    # 读入数据
    data_file = './baostock/prediction_data_pre/{}.csv'.format(stk_code)
    in_df = pd.read_csv(data_file)
    # 预测用的输入字典
    temp_dict = {
    
    }
    # 将数据导入输入字典
    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()}
    # 进行预测
    predictions = loaded_model.predict(input_dict)
    results = []
    for i in range(in_df.shape[0]):
        results.append(predictions[i][0])
    # 输出到文件
    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)
    # 清理内存
    backend.clear_session()

欢迎大家关注、点赞、转发、留言，感谢支持！
为了便于相互交流学习，已建微信群，感兴趣的读者请加微信。