Python预测基金净值：keras神经网络

最新推荐文章于 2025-05-20 13:03:57 发布

范牧天

最新推荐文章于 2025-05-20 13:03:57 发布

阅读量6.2k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： Python 文章标签： python 深度学习爬虫数据分析

本文链接：https://blog.csdn.net/fanmin2000/article/details/112836715

本文介绍了如何使用Python的Keras库搭建神经网络预测基金净值，通过爬取基金数据，建立训练集、验证集和测试集，采用全连接网络进行建模和训练，并分析了预测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如何搭建神经网络预测基金净值

有一种观点：利用股票历史股价数据，搭建神经网络深度学习，预测股票未来走势，是外行人士的发神经。原因不外乎这些：首先，现有的量价指标等分析工具，远比仅研究历史股价数据靠谱；其次，涨停板的限制、新股N个涨停、停盘之后的补涨补跌等等，是股价历史数据自身无法解释和预测的；最后，不同股票差异太大，有人做出这种“归一化”：某日收盘价 / 历史最高收盘价，非常荒谬（应该采用每日涨跌幅）。

与此相反，搭建神经网络预测基金（指开放式基金）净值，则相对有意义：
1、股票的量价指标公式，通常不能用于基金分析（没有成交量）
2、基金本身并没有涨停板、停盘之类的干扰
3、基金的每日涨跌幅是现成的重要数据，可由基金每日净值简单计算

本文是上一篇《Python基金数据实战分析：偏债混合基金篇》的延续，沿用了其中的爬基金数据的方法（借鉴照搬了前人的经验）。此外，开发环境需安装keras（用tensorflow2.X自带的keras即可）。

关于keras，可参考：keras中文文档

一、时间窗口

在这里插入图片描述
总长度为N的一系列数据，定义为p0，p1，…，pN-1，其中pi是第i天的数值，0≤i<N。再定义一个固定大小的移动窗口w（实际上就是神经网络的input_size），该窗口大小的数据即是一个输入数据。

对于窗口数据，有不同的处理方法。主要有以下两种：
一、窗口不重叠
每次将窗口向右移动w个单位，使得所有移动窗口中的数据之间不重叠。用一个（或k+1个）移动窗口中的内容Wt来预测下一个Wt+1，亦即通过训练神经网络学习函数f，使得：Wt+1 = f(Wt)，或Wt+1 = f(Wt, Wt-1, …, Wt-k)。这种方法可以预测窗口大小的未来日期的数值。
假定窗口大小3，用2个移动窗口预测下一个，那么训练样例如下：
Input1 = [[p0, p1, p2], [p3, p4, p5]], Label1 = [p6, p7, p8]
Input2 = [[p3, p4, p5], [p6, p7, p8]], Label2 = [p9, p10, p11]
…

二、窗口可重叠
每次将窗口向右移动1个单位（或多个单位），因此所有移动窗口中的数据之间可以重叠。用一个移动窗口中的内容Wt(即 ptw, ptw+1, …, p(t+1)w-1 )来预测下一个p(t+1)w，亦即通过训练神经网络学习函数f，使得：p(t+1)w = f(Wt)。这种方法可以预测下一天的数值。
假定窗口大小5，每次将窗口右移1个单位，那么训练样例如下：
Input1 = [[p0, p1, p2, p3, p4]], Label1 = [p5]
Input2 = [[p1, p2, p3, p4, p5]], Label2 = [p6]
…

神经网络模型可以用RNN（LSTM），也可以用普通的网络（CNN或全连接）。简单地说，普通网络不区分窗口内部的数据，而LSTM网络则越远的数据权重越小。本文先构造一个简单的2个隐藏层的全连接网络。

二、爬基金数据，准备作为训练集、验证集、测试集

import requests
import time
import execjs

fileTrain = './data/accTrain.csv'
jjTrain = ['004609', '004853', '005524', '005824', '007749']
fileTest = './data/accTest.csv'
jjTest = '007669'

def getUrl(fscode):
    head = 'http://fund.eastmoney.com/pingzhongdata/'
    tail = '.js?v='+ time.strftime("%Y%m%d%H%M%S",time.localtime())
    return head+fscode+tail

# 根据基金代码获取净值
def getWorth(fscode):
    content = requests.get(getUrl(fscode))
    jsContent = execjs.compile(content.text)
    #单位净值走势
    netWorthTrend = jsContent.eval('Data_netWorthTrend')
    #累计净值走势
    ACWorthTrend = jsContent.eval('Data_ACWorthTrend')
    netWorth = []
    ACWorth = []
    for dayWorth in netWorthTrend[::-1]:
        netWorth.append(dayWorth['y'])
    for dayACWorth in ACWorthTrend[::-1]:
        ACWorth.append(dayACWorth[1])
    return netWorth, ACWorth

ACWorthFile = open(fileTrain, 'w')
for code in jjTrain:
    try:
        _, ACWorth = getWorth(code)
    except:
        continue    
    if len(ACWorth) > 0:
        ACWorthFile.write(",".join(list(map(str, ACWorth))))
        ACWorthFile.write("\n")
        print('{} data downloaded'.format(code))
ACWorthFile.close()

ACWorthTestFile = open(fileTest, 'w')
_, ACWorth = getWorth(jjTest)
if len