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。