基于机器学习的股票涨跌预测系统

这是我的毕业设计，题目为基于机器学习的股票涨跌预测系统的设计与实现，系统能够使用智能代理和传统模型两种方式预测股票的涨跌情况。

智能代理预测流程图

智能代理预测模式会综合最近20天的股价数据、个股新闻、公司基本面、宏观经济四个方向的数据进行分析，给出下一日股价的涨跌预测。同时使用WebSocket在前端实时显示分析过程，并支持保存。

系统用例图

系统结构

• stock_prediction/: 核心算法和模型

  • agent/: 智能代理模型
  • traditional_model/: 传统机器学习模型
  • util/: 工具函数
  • data/: 股票数据
  • temp_data/: 临时数据

• front/: 前端Vue应用

  • 提供用户界面，允许用户输入股票代码并选择预测方法
  • 可视化展示预测结果和分析过程

• backend/: 后端Flask应用

  • 提供API接口，连接前端和预测模型
  • 处理预测请求并返回结果

实验结果

智能代理

以下是智能代理模型在小商品城（SH600415）2025年3月1日到2025年3月31日的股价上的实验结果，涨跌预测准确率有57.1%。

经过多次实验发现，预测波动率较大，大概率是因为时间跨度太小。爬取新闻数据使用的是Akshare的免费接口，只能获取最近100条个股新闻，时间上大约覆盖最近一个月。扩展新闻的话需要手写爬虫，不太想搞。

传统模型

支持LSTM和SVM两种传统模型，均是使用前20天的纯股价数据及衍生的技术指标做涨跌预测。LSTM通过预测股价来预测涨跌，SVM直接预测涨跌。

下面是LSTM模型在小商品城（SH600415）2016年1月1日以来的股价数据上的实验结果图。

下面是LSTM模型在上面的数据集上的涨跌预测混淆矩阵及准确率随时间的变化图。

功能特点

1. 支持两种预测方法：

   • 智能代理预测：综合分析市场、新闻、基本面和宏观经济数据
   • 传统模型预测：使用机器学习及深度学习模型预测股票价格

2. 可视化展示预测结果和分析过程

3. 使用最近20天的数据预测下一日股票涨跌

安装和运行

后端安装

cd backend
pip install -r requirements.txt

前端安装

cd front
npm install

启动系统

1. 启动后端服务

cd backend
python app.py

2. 启动前端服务

cd front
npm run serve

3. 访问系统

打开浏览器，访问 http://localhost:8080

使用方法

1. 在输入框中输入股票代码（如：600415）
2. 在“系统设置”页面输入火山引擎的DeepSeek-R1 API并保存
3. 选择预测方法（智能代理预测或传统模型预测）
4. 点击"开始预测"按钮
5. 查看预测结果和分析过程

注意事项

• 确保系统已安装Python 3.8+和Node.js 14+
• 预测结果仅供参考，不构成投资建议
• 系统需要联网获取最新股票数据