# 7Days-PreStock

**Repository Path**: ranxv/7Days-PreStock

## Basic Information

- **Project Name**: 7Days-PreStock
- **Description**: 智能股票预测系统 (Stock Price Prediction System)
本设计是我在 2025 年本科毕业开发的系统，欢迎大家以此为基础开发新的功能或者引入新的模型
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2026-01-17
- **Last Updated**: 2026-01-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 智能股票预测系统 (Stock Price Prediction System)

基于深度学习的股票价格预测系统，集成 LSTM、CNN 和 Transformer 三种深度学习模型，支持 A 股和美股的未来 30 天股价预测。系统采用动态加权集成策略，提高预测准确性。

## 功能特点

- 支持多个市场的股票预测（A 股和美股）
- 集成三种深度学习模型（LSTM、CNN、Transformer）
- 动态加权集成策略，根据历史表现自动调整模型权重
- 提供最长 30 天的未来股价预测
- 可配置 1-10 年的历史数据训练
- 自动生成预测报告和可视化图表
- 提供模型性能评估指标（MAPE、RMSE、MAE）
- 现代化图形用户界面（GUI）
- 支持批量预测功能
- 多股票趋势对比分析
- 预测结果可视化和导出
- 实时训练进度显示
- 自动异常处理和数据清洗
- 预测值与实际值对比分析

## 系统界面功能

### 1. 预测配置区域

- 股票代码选择（支持下拉列表和手动输入）
- 训练年限设置（1-10 年可选）
- 预测日期范围选择
- 实时进度条显示
- 操作按钮组：
  - 开始预测：单只股票预测
  - 全部预测：批量预测所有预置股票
  - 预测值 VS 实际值：历史预测对比

### 2. 趋势对比区域

- 多股票选择列表
- 对比时间范围设置
- 趋势图生成和保存
- 自适应图表显示

### 3. 运行状态区域

- 实时日志显示
- 操作状态反馈
- 错误信息提示

## 预置股票列表

### A 股

- 600104.SH (上汽集团)
- 002594.SZ (比亚迪)
- 601127.SH (赛力斯)
- 600006.SH (长城汽车)
- 601633.SH (广汽集团)
- 300750.SZ (宁德时代)

### 美股

- TSLA (特斯拉)
- LI (理想汽车)
- NIO (蔚来汽车)
- XPEV (小鹏汽车)
- RIVN (Rivian 汽车)
- LCID (Lucid Motors)
- GM (通用汽车)
- F (福特汽车)
- VWAGY (大众汽车)
- TM (丰田汽车)
- HMC (本田汽车)
- BYDDY (比亚迪美股)

## 技术架构

### 1. 数据处理模块

- 数据源：
  - A 股：Tushare Pro API
  - 美股：Alpha Vantage API
- 数据预处理：
  - 缺失值处理
  - 异常值检测
  - 数据标准化
  - 时序特征提取

### 2. 特征工程

- 基础技术指标：
  - 移动平均线(MA5/20/60)
  - RSI 指标
  - MACD 指标
  - 布林带
  - KDJ 指标
- 高级特征：
  - ROC(变动率)
  - 动量指标
  - 波动率指标
- 特征维度：15 个主要特征

### 3. 深度学习模型

#### LSTM 模型 (V2.0)

- 架构特点：
  - 双向 LSTM 层
  - 多尺度注意力机制
  - 残差连接
  - 批归一化
- 参数配置：
  - 隐藏层维度: 128
  - 网络层数: 3
  - Dropout 率: 0.2
  - 批次大小: 32
  - 学习率: 0.001
  - 优化器: Adam
  - 早停耐心值: 15
  - 最小学习率: 1e-6

#### CNN 模型 (V2.1)

- 架构特点：
  - 多层一维卷积
  - 批归一化层
  - 全局平均池化
  - 残差连接
- 参数配置：
  - 卷积核数量: 128
  - 卷积核大小: 3
  - Dropout 率: 0.3
  - 批次大小: 32
  - 学习率: 0.001
  - 优化器: AdamW
  - 损失函数: Huber Loss

#### Transformer 模型 (V2.0)

- 架构特点：
  - 多头自注意力机制
  - 位置编码
  - 前馈神经网络
  - 多尺度特征提取
- 参数配置：
  - 模型维度: 128
  - 前馈网络维度: 512
  - 注意力头数: 8
  - Dropout 率: 0.15
  - 批次大小: 64
  - 预热步数: 4000
  - 学习率: 0.0001
  - 梯度裁剪阈值: 1.0

#### 动态加权集成模型 (V2.2)

- 架构特点：
  - 基于历史表现的动态权重分配
  - 自适应权重调整机制
  - 多模型融合预测
  - 市场条件感知
- 权重计算策略：
  - 基于 MAPE 的反比例加权
  - 权重归一化处理
  - 实时权重更新
  - 异常检测与处理

## 输出文件结构

```
record/{股票代码}_{日期}/
├── prediction_results.xlsx
│   ├── 未来预测结果
│   │   ├── 日期
│   │   ├── LSTM预测值
│   │   ├── CNN预测值
│   │   ├── Transformer预测值
│   │   └── 加权集成预测值
│   ├── 模型评估指标
│   │   ├── 模型名称
│   │   ├── MAPE (%)
│   │   ├── RMSE
│   │   └── MAE
│   └── 模型配置
│       ├── 模型名称
│       ├── 版本号
│       └── 参数配置
└── images/
    ├── historical_comparison.png
    ├── future_prediction.png
    └── metrics_comparison.png
```

## 系统要求

- Python 3.8+
- Windows 10/11 或 Linux
- CUDA 支持（推荐用于模型训练加速）

## 依赖安装

```bash
pip install -r requirements.txt
```

### 主要依赖包

- tushare >= 1.2.89
- alpha_vantage >= 2.3.1
- pandas >= 1.3.0
- numpy >= 1.19.5
- tensorflow >= 2.6.0
- torch >= 1.9.0
- matplotlib >= 3.4.3
- tkinter
- tkcalendar >= 1.6.1
- ttkthemes >= 3.2.2
- openpyxl >= 3.0.9

## 配置说明

### 1. API 配置

- Tushare Token（用于 A 股数据）
- Alpha Vantage API Key（用于美股数据）

### 2. 模型参数配置

- 时间步长: 60
- 训练年限: 1-10 年可选
- 训练集比例: 80%
- 预测天数: 最大 30 天

## 使用注意事项

1. 首次使用前需要配置：
   - Tushare Token
   - Alpha Vantage API Key
2. 建议使用 3-10 年的训练数据以获得最佳效果
3. 单次预测时长建议不超过 30 天
4. 批量预测时请注意系统资源占用
5. 预测结果仅供参考，投资需谨慎
6. 确保网络连接稳定以获取实时数据

## 开发说明

- 项目采用模块化设计，便于扩展和维护
- 代码注释完善，便于理解和二次开发
- 提供完整的测试用例
- 支持自定义模型参数配置

## 许可证

MIT License

## 贡献指南

欢迎提交 Issue 和 Pull Request 来帮助改进项目。

## 更新日志

### V2.2 (当前版本)

- 添加动态加权集成模型
- 实现基于历史表现的自适应权重分配
- 优化预测结果可视化
- 添加预测值与实际值对比分析功能
- 改进评估指标计算方法
- 优化数据获取模块，支持更多美股

### V2.0

- 添加 Transformer 模型
- 优化 UI 界面
- 添加多股票对比功能
- 改进数据预处理流程
- 优化模型参数配置
- 添加预测结果导出功能

### V1.0

- 基础版本发布
- 支持 LSTM 和 CNN 模型
- 实现基本预测功能
- 简单的数据可视化