计算机毕业设计：Python股票数据挖掘与LSTM股价预测平台 Flask框架 LSTM Keras 数据分析 可视化 深度学习 大数据 爬虫（建议收藏）✅

1、项目介绍

技术栈

采用 Python 语言开发，基于 Flask 框架搭建后端服务，通过 requests 爬虫从雪球网采集股票数据，运用 LSTM 预测算法结合 Keras 深度学习神经网络进行股价预测，前端使用 Echarts 实现数据可视化，并结合 HTML 构建页面。

功能模块

· 股票数据可视化分析（股价前10、成交额前20、股价区间占比分析）
· 股票数据可视化分析（股价和成交量散点图）
· 股票数据中心
· 股票价格预测（LSTM预测算法）
· 后台数据管理
· 股价历史数据管理
· 注册登录

项目介绍

本系统基于 Flask 框架构建股票数据可视化分析与预测平台，通过爬虫采集雪球网股票数据。系统提供股价前十与成交额前二十的柱状图、股价区间占比环形图、股价与成交量散点图等可视化分析功能，帮助用户直观了解股票市场分布特征。股票数据中心以表格形式展示股票代码、价格、涨跌幅、成交量、市值等指标并支持搜索。基于 LSTM 深度学习模型对历史股价数据进行训练，预测未来价格走势并以折线图展示。后台支持股票数据与历史数据的管理维护，包含注册登录功能。

2、项目界面

（1）股票数据可视化分析—股价前10、成交额前20、股价区间占比分析
该页面是股票可视化分析界面，通过柱状图展示股价前十股票，折线图呈现成交额前二十股票数据，同时用环形图统计股价区间占比，为用户提供多维度的股票数据直观对比与分布分析。

（2）股票数据可视化分析—股价和成交量散点图
该股票可视化分析页面，通过环形图展示不同股价区间的商品数量占比，同时用散点图直观呈现股票价格与成交量的分布关系，帮助用户分析两者间的关联与数据趋势。

（3）股票数据中心
该股票数据管理页面以表格形式集中展示股票的名称、代码、价格、涨跌幅、成交量、成交额、市盈率、市值等多维度指标，并提供搜索功能，方便用户快速查询和查看股票的详细信息。

（4）股票价格预测—LSTM预测算法
该页面为股价预测功能模块，用户可通过下拉菜单选择股票，提交后以表格形式展示对应日期的预测股价，并通过折线图直观呈现股价的预测变化趋势。

（5）后台数据管理
该后台管理系统页面提供股票数据管理功能，可查看、搜索股票信息，支持数据的创建、编辑与删除操作，同时通过左侧导航栏切换用户管理、权限管理等模块。

（6）股价历史数据管理（19万数据）
该后台股价历史数据管理页面，以表格形式展示股票名称、代码、价格与时间信息，支持数据的搜索、创建、编辑和删除操作，可高效管理与维护股票历史价格数据。

（7）注册登录
这是系统的登录页面，提供账号和密码输入框及登录按钮，支持用户输入凭证进行身份验证，登录后可访问系统功能，界面简洁直观，保障系统数据安全与用户权限管理。

3、项目说明

一、技术栈简要说明

本系统采用 Python 语言开发，基于 Flask 框架搭建后端服务，通过 requests 爬虫从雪球网采集股票数据，运用 LSTM 预测算法结合 Keras 深度学习神经网络进行股价预测，前端使用 Echarts 实现数据可视化，并结合 HTML 构建页面。

二、功能模块详细介绍

· 股票数据可视化分析（股价前10、成交额前20、股价区间占比分析）
该页面通过柱状图展示股价前十股票，折线图呈现成交额前二十股票数据，同时用环形图统计股价区间占比，为用户提供多维度的股票数据直观对比与分布分析，帮助快速识别高价股与高成交额股票。

· 股票数据可视化分析（股价和成交量散点图）
该页面通过环形图展示不同股价区间的股票数量占比，同时用散点图直观呈现股票价格与成交量的分布关系，帮助用户分析两者间的关联与数据趋势，辅助判断量价配合情况。

· 股票数据中心
该页面以表格形式集中展示股票的名称、代码、价格、涨跌幅、成交量、成交额、市盈率、市值等多维度指标，并提供搜索功能，方便用户快速查询和查看股票的详细信息，实现股票数据的集中管理与检索。

· 股票价格预测（LSTM预测算法）
该页面为股价预测功能模块，用户可通过下拉菜单选择股票，系统基于 LSTM 深度学习模型对历史股价数据进行训练，提交后以表格形式展示对应日期的预测股价，并通过折线图直观呈现股价的预测变化趋势，为用户提供投资决策参考。

· 后台数据管理
该后台管理系统页面提供股票数据管理功能，可查看、搜索股票信息，支持数据的创建、编辑与删除操作，同时通过左侧导航栏可切换用户管理、权限管理等模块，实现股票基础信息的系统化维护。

· 股价历史数据管理（19万数据）
该后台页面以表格形式展示股票名称、代码、价格与时间信息，支持对大规模历史数据（19万条）进行搜索、创建、编辑和删除操作，可高效管理与维护股票历史价格数据，保障数据完整性与查询效率。

· 注册登录
该页面为系统登录页面，提供账号和密码输入框及登录按钮，支持用户输入凭证进行身份验证，登录后可访问系统功能，界面简洁直观，保障系统数据安全与用户权限管理。

三、项目总结

本系统基于 Flask 框架构建股票数据可视化分析与预测平台，通过爬虫采集雪球网股票数据。系统提供股价前十与成交额前二十的柱状图、股价区间占比环形图、股价与成交量散点图等可视化分析功能，帮助用户直观了解股票市场分布特征与量价关系。股票数据中心以表格形式展示股票代码、价格、涨跌幅、成交量、市值等指标并支持搜索，方便数据查询。基于 LSTM 深度学习模型对历史股价数据进行训练，预测未来价格走势并以折线图展示，为用户提供智能化预测服务。后台支持股票基础信息与19万条历史数据的管理维护，包含数据增删改查功能。系统还包含注册登录模块，保障访问安全，为股票投资者提供了数据分析和决策支持工具。

4、核心代码

#!/usr/bin/env python# coding: utf-8importnumpyasnp# 导入库numpy用于数据格式化操作importpandasaspd# 导入数据分析库pandasimportmodelsimportdatetimedefyuce(name='美腾科技'):# 1.1读取源数据df=models.GuPian.query.filter(models.GuPian.name=='美腾科技').order_by(models.GuPian.datetime).all()# 2.训练模型前的准备：数据预处理# 2.1格式转换为pandas的DataFramelist1=[]current=0new_data=pd.DataFrame(index=range(0,len(df)+10),columns=['Date','Close'])foriinrange(0,len(df)):new_data['Date'][i]=df[i].datetime.strftime('%Y-%m-%d')new_data['Close'][i]=df[i].current start_date=df[i].datetime current=df[i].current count=1foriinrange(len(df),len(df)+10):new_data['Date'][i]=(start_date+datetime.timedelta(days=count)).strftime('%Y-%m-%d')new_data['Close'][i]=current list1.append((start_date+datetime.timedelta(days=count)).strftime('%Y-%m-%d'))count+=1print(new_data)# 2.2为其设置索引new_data.index=new_data.Date# 2.3删除Date数据(只使用Close数据)new_data.drop('Date',axis=1,inplace=True)# 2.4创建训练和验证集(数据集的划分)dataset=new_data.values train=dataset[0:len(df),:]# 将最开始的数据作为训练集valid=dataset[len(df):,:]# 之后的所有数据设置为验证集# 2.5使用MinMaxScaler将数据的范围压缩至0到1之间，这么做的目的是为了防止数值爆炸# (LSTM模型的计算中，时间步长越大，结果所迭代的次数就越多；如1.1的100次方为13 780.61233982，所以使用scaler()函数是必要的)fromsklearn.preprocessingimportMinMaxScaler# 从sklearn.preprocessing库中导入MinMaxScalerscaler=MinMaxScaler(feature_range=(0,1))scaled_data=scaler.fit_transform(dataset)# 传入dataset，将其用scaler()函数正则化后命名为scaled_data#2.6 用数组表现数据的时间序列特性，步长设置为60x_train,y_train=[],[]# 创建x_train, y_trainforiinrange(60,len(train)):# 循环结构，i的值分别为60,61，……直至train的长度(1500)x_train.append(scaled_data[i-60:i,0])# 将scaled_data中的数据传递到x_train中(60个为一组)y_train.append(scaled_data[i,0])# 将scaled_data中的数据传递到y_train中(从第60开始，每1个数据为一组)x_train,y_train=np.array(x_train),np.array(y_train)# 使用numpy库中的array()函数将列表x_train和y_train格式化为数组(可以理解为矩阵)x_train=np.reshape(x_train,(x_train.shape[0],x_train.shape[1],1))# 使用numpy库中的reshape()函数改变数组x_train的形状# 上述的步骤将训练集的格式从列表(list)变成时间步长为60的时间序列(表现为数组)# 3.模型的参数设置# 3.1导入神经网络需要的包fromkeras.modelsimportSequential# 从keras.models库中导入时间序列模型Sequentialfromkeras.layersimportDense,LSTM# 从keras.layers库中导入Dense, Dropout, LSTM用于构建神经网络# 3.2创建LSTM神经网络model=Sequential()# 第一层网络设置model.add(LSTM(units=50,return_sequences=True,input_shape=(x_train.shape[1],1)))# unit 决定了一层里面 LSTM 单元的数量。这些单元是并列的，一个时间步长里，输入这个层的信号，会被所有 unit 同时并行处理，形成若干个 unit 个输出。这个设置50个单元# return_sequence参数表示是否返回LSTM的中间状态，这里设置为TRUE，返回的状态是最后计算后的状态# input_shape参数包含两个元素的，第一个代表每个输入的样本序列长度，这里是x_train.shape[1]，表示x_train数组中每一个元素的长度即时间步长，这里先前设置为了60# 第二个元素代表每个序列里面的1个元素具有多少个输入数据(这里是1表示只有1个数据：时间)# 第二层神经网络，设置50个LSTM单元model.add(LSTM(units=50))# 第三层为全连接层model.add(Dense(1))# 4.模型训练model.compile(loss='mean_squared_error',optimizer='adam')# 设置损失函数compile()参数# loss参数指标使用MSE(均方根误差) ，optimizer参数设置优化器为AdamOptimizer(自适应矩估计，梯度下降的一种变形)model.fit(x_train,y_train,epochs=1,batch_size=1,verbose=2)# 传入数据开始训练模型# 5.预测#用过去的每60个数据预测接下来的数据(时间步长为60)#5.1获取测试集数据，该步骤思路一样，这里不再赘述inputs=new_data[len(new_data)-len(valid)-60:].values inputs=inputs.reshape(-1,1)inputs=scaler.transform(inputs)X_test=[]foriinrange(60,inputs.shape[0]):X_test.append(inputs[i-60:i,0])X_test=np.array(X_test)X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))#5.2获取模型给出的预测值closing_price=model.predict(X_test)# 用scaler.inverse()函数将数据重新放大(因为之前使用了scaler()函数对数据进行了压缩)closing_price=scaler.inverse_transform(closing_price)# print(closing_price)dicts=[]fori,resuinenumerate(closing_price):dicts1={}dicts1['riqi']=list1[i]dicts1['shuju']=resu[0]dicts.append(dicts1)returndicts# print(yuce())