一.模型整体流程介绍：

1.数据加载和处理：

1. 使用pandas库读取CSV文件中的股票数据，并将日期列转换为datetime类型。
2. 选择需要使用的列（'Date', 'Close', 'High', 'Low', 'Open'）作为特征。
3. 创建了一个create_date_features函数来提取日期相关的特征，例如月份、日期、年份等，并将这些特征添加到数据帧中。

2. 时间序列特征工程：

1. 使用statsmodels库的CalendarFourier和DeterministicProcess类创建时间序列的季节性特征。
2. 创建一个包含日期特征和季节性特征的新数据帧。

3.数据预处理：

1. 使用MinMaxScaler对数据进行归一化处理。
2. 定义了一个滚动窗口大小（look_back）来创建训练集和测试集。
3. 创建了一个函数create_dataset，用于将时间序列数据转换为监督学习问题的数据集。

4.构建和训练模型：

1. 使用Keras库构建了一个包含多个LSTM层的序列模型。
2. 模型中使用了LeakyReLU激活函数和Dropout正则化层来提高模型的性能和鲁棒性。
3. 使用Adamax优化器和平均绝对百分比误差（MAPE）作为损失函数来编译模型。
4. 使用训练集数据训练模型，并使用验证集数据进行模型的早停策略。

5.模型预测和评估：

1. 使用训练好的模型对训练集和测试集进行预测。
2. 使用matplotlib库将实际值和预测值进行可视化比较。
3. 计算并输出测试集和训练集的均方根误差（RMSE）。

总结：这段代码主要通过加载、处理和预处理股票数据，提取时间序列特征，构建和训练LSTM模型，以及进行模型预测和评估来实现股票预测。

二.数据集介绍（开始日期是：2015/11/23），数据一共是1826行，预测的收盘价格

结束时间是：2020/11/20。

 3.效果图

4.运行视频

基于时间特征工程与LSTM结合的雅虎美股预测哔哩哔哩bilibili