# Predict Stock Prices Using RNN: Part 2

- 发布方：Lil'Log（Lilian Weng 个人博客）；作者：Lilian Weng
- 形式：文章 · en
- 原始资源：[https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/](<https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/>)
- 本站页面：[https://oplearnx.com/resources/res\_4e6swvx32jhp](<https://oplearnx.com/resources/res_4e6swvx32jhp>)
- 学习主题：人工智能 / 机器学习；人工智能 / 机器学习 / 深度学习；统计学 / 时间序列
- 内容状态：状态待核验
- 原始发布时间：未知（待核验）
- 本站首次收录：2026-10-24 10:51

## 能学到什么

学会在 TensorFlow 的 RNN 模型中用股票代码嵌入处理多只股票的价格序列预测，并能用 TensorBoard 可视化计算图和嵌入向量。

- 用 urllib2 从公开数据源抓取多只股票的历史价格 CSV 数据
- 解释为什么用嵌入向量而非 one-hot 编码来表示股票代码
- 在 TensorFlow 中定义带 embedding lookup 的 RNN 计算图
- 用 tf.tile 与 tf.concat 把价格输入和嵌入向量拼接为 LSTM 输入
- 对股票代码做 label encoding 并按 90/10 划分训练与测试集
- 用 TensorBoard 检查计算图结构并对嵌入向量做可视化

## 适合我吗

- 适合：适合已掌握 RNN/LSTM 基本概念、想练习用 TensorFlow 构建带嵌入输入的多序列预测模型的学习者。
- 需要留意：不适合零基础编程者，也不适合想学习当前主流深度学习框架（如 PyTorch）用法的人。

## 前置条件与费用

- 知识前置：需要了解 RNN/LSTM 基本原理、Python 基础，并熟悉该系列 Part 1 中的 TensorFlow 图、训练会话与基础代码结构。
- 软件、账号与硬件：原站未说明额外要求；练习需本地安装 TensorFlow（文中使用较旧的 tf 1.x API 与 tensorflow.contrib）及 scikit-learn，并能访问公开股票历史数据源。
- 内容费用：免费：节选可直接读到完整教程正文与代码，未见付费墙或登录拦截。
- 实践费用：实践无额外费用：练习只需本地运行 TensorFlow 与下载公开股票数据，网页未提及付费云服务或 API。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- Python 3：运行文中示例代码
- [TensorFlow（1.x API）](<https://www.tensorflow.org/>)：构建计算图、训练与 TensorBoard 可视化
- scikit-learn：使用 LabelEncoder 对股票代码编码
- TensorBoard：查看图结构与嵌入可视化

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Predict Stock Prices Using RNN: Part 2」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文中四个环节复现：抓取多只股票数据 → 标签编码 → 定义带嵌入的图 → 训练并观察价格预测结果与嵌入聚类。
课节（官方顺序）：
1. Predict Stock Prices Using RNN: Part 2：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/

1. 环境
- Python 2/3（文中代码为 Python 2 风格，如 print >>、urllib2）
- TensorFlow 1.x（含 tensorflow.contrib.tensorboard.plugins.projector）
- scikit-learn
- TensorBoard
- 项目目录用于存放股票 CSV 与训练日志
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
3. 目录（最外层放在我确认的位置）
stock-rnn-embedding-tutorial/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-predict-stock-prices-using-rnn/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import tensorflow as tf; print(tf.__version__)"  → 输出 1.x 版本号，且能 import tensorflow.contrib
  - 打开 TensorBoard（tensorboard --logdir=<日志目录>）并查看 Graphs 与 Projector 面板  → 能看到训练图结构，以及带 metadata 的嵌入可视化
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Predict Stock Prices Using RNN: Part 2」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文中四个环节复现：抓取多只股票数据 → 标签编码 → 定义带嵌入的图 → 训练并观察价格预测结果与嵌入聚类。
课节（官方顺序）：
1. Predict Stock Prices Using RNN: Part 2：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/

1. 环境
- Python 2/3（文中代码为 Python 2 风格，如 print >>、urllib2）
- TensorFlow 1.x（含 tensorflow.contrib.tensorboard.plugins.projector）
- scikit-learn
- TensorBoard
- 项目目录用于存放股票 CSV 与训练日志
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
3. 目录（最外层放在我确认的位置）
stock-rnn-embedding-tutorial/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-predict-stock-prices-using-rnn/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import tensorflow as tf; print(tf.__version__)"  → 输出 1.x 版本号，且能 import tensorflow.contrib
  - 打开 TensorBoard（tensorboard --logdir=<日志目录>）并查看 Graphs 与 Projector 面板  → 能看到训练图结构，以及带 metadata 的嵌入可视化
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Predict Stock Prices Using RNN: Part 2」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：按文中四个环节复现：抓取多只股票数据 → 标签编码 → 定义带嵌入的图 → 训练并观察价格预测结果与嵌入聚类。
课节（官方顺序）：
1. Predict Stock Prices Using RNN: Part 2：https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/

1. 环境
- Python 2/3（文中代码为 Python 2 风格，如 print >>、urllib2）
- TensorFlow 1.x（含 tensorflow.contrib.tensorboard.plugins.projector）
- scikit-learn
- TensorBoard
- 项目目录用于存放股票 CSV 与训练日志
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/
3. 目录（最外层放在我确认的位置）
stock-rnn-embedding-tutorial/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-predict-stock-prices-using-rnn/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import tensorflow as tf; print(tf.__version__)"  → 输出 1.x 版本号，且能 import tensorflow.contrib
  - 打开 TensorBoard（tensorboard --logdir=<日志目录>）并查看 Graphs 与 Projector 面板  → 能看到训练图结构，以及带 metadata 的嵌入可视化
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Predict Stock Prices Using RNN: Part 2」。课程目录是 stock-rnn-embedding-tutorial/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Predict Stock Prices Using RNN: Part 2](<https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/>)

## 指南参考

- [课程主页](<https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：本地安装 TensorFlow 1.x（用到 tensorflow.contrib）与 scikit-learn；能联网访问公开股票历史价格数据源（文中为 Google Finance 下载链接）
- **内容提示**：内容时效：网页标注 2017 年 7 月 22 日发布，正文写明 Yahoo 历史数据获取 API 已关闭、数据抓取改用 Google Finance 链接，代码使用 TensorFlow 1.x 的 tensorflow.contrib 等旧版接口。
- 转载与修改 · 课程页面与材料：未找到明确许可。网页未写出具体许可名称；代码仓库链接指向 github.com/lilianweng/stock-rnn，节选中未见许可声明 [依据](<https://lilianweng.github.io/posts/2017-07-22-stock-rnn-part-2/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）