1、项目介绍
技术栈
python语言、Flask框架、Echarts可视化、MySQL数据库、HTML、机器学习、随机森林算法
功能模块
- 股票成交量成交额分析
- 股票价格分析
- 股票换手率分析
- 股票价格预测分析1
- 股票价格预测分析2
- 个人中心
- 注册登录
项目介绍
该系统基于Flask框架构建，后端使用MySQL数据库存储股票历史数据，前端通过Echarts完成成交量、价格、换手率等多维度可视化分析。核心预测模块采用随机森林算法对股票收盘价进行预测，用户可选择个股与日期获取预测结果。系统提供注册登录功能，用户通过身份验证后可进入个人中心维护账户资料。整体实现了从股票数据可视化展示到机器学习价格预测的完整流程，帮助用户了解市场交易活跃度、价格波动趋势及未来股价参考。
2、项目界面
（1）股票成交量成交额分析
该页面是股票数据分析预测系统的成交量成交额分析模块，支持选择股市与日期查询，以折线图形式对比展示股票的成交量与成交额，可直观呈现市场交易活跃度差异与数据波动特征。
（2）股票价格分析
该页面是股票数据分析预测系统的价格分析模块，支持选择股市与日期查询，以折线柱状组合图形式对比展示股票开盘价与收盘价，可直观呈现个股价格差异与市场整体价格分布情况。
（3）股票换手率分析
该页面是股票数据分析预测系统的换手率分析模块，支持选择股市与日期查询，以横向条形图直观呈现个股换手率数据，可清晰对比不同股票的交易活跃度差异，辅助用户了解市场交投情况。
（4）股票价格预测分析1
该页面是股票数据分析预测系统的股价预测模块，支持选择个股与日期提交查询，系统基于算法模型生成预测股价结果，以简洁方式呈现预测数值，为用户提供股价趋势参考。
（5）股票价格预测分析2
该页面是股票数据分析预测系统的深证A股股价预测模块，支持选择个股与日期提交查询，系统通过算法模型计算并展示预测股价结果，为用户提供股价趋势参考。
（6）个人中心
该页面是股票数据分析预测系统的个人信息模块，提供用户名、密码、性别、地址及介绍的编辑与提交功能，用户可在此维护个人账户资料，完善个人基本信息。
（7）注册登录
该页面是股票数据分析预测系统的登录模块，用户可在此输入用户名和密码进行身份验证，同时提供注册入口，为用户提供系统访问的安全校验与账户创建功能。
3、项目说明
一、技术栈简要说明
系统后端基于python语言与Flask轻量级框架构建，负责路由管理、请求处理及业务逻辑执行。数据存储采用MySQL数据库，用于存放股票历史行情数据及用户信息。前端页面由HTML搭建，引入Echarts图表库完成各类数据可视化渲染。核心预测模块采用机器学习中的随机森林算法，对股票收盘价进行建模与预测。
二、功能模块详细介绍
. 股票成交量成交额分析
该页面支持用户选择股市类型与日期范围进行查询，以折线图形式对比展示股票的成交量与成交额数据。通过可视化图表，用户可直观观察市场交易活跃度的变化趋势及资金流入流出的波动特征，辅助判断市场热度。
. 股票价格分析
该模块采用折线柱状组合图，对比展示股票的开盘价与收盘价。用户可选择不同股市和日期进行查询，图表清晰呈现个股价格差异及市场整体价格分布情况，帮助用户分析股票的价格波动规律。
. 股票换手率分析
该页面以横向条形图的形式展示个股换手率数据。用户选择股市与日期后，系统从数据库提取相应股票的换手率指标，通过条形长度对比不同股票的交易活跃度差异，辅助用户了解市场交投情况。
. 股票价格预测分析1
该模块是系统的核心预测功能之一，用户选择具体个股与日期后提交查询，后台调用基于随机森林算法训练的机器学习模型，对股票的收盘价进行预测，并以简洁的数值形式在前端呈现预测结果，为用户提供股价趋势参考。
. 股票价格预测分析2
该页面针对深证A股市场的个股提供股价预测服务。用户选择股票代码与预测日期后，系统通过随机森林算法模型计算并展示预测股价结果。与前一预测模块形成互补，覆盖不同市场板块的预测需求。
. 个人中心
该页面为用户提供个人信息维护功能，包含用户名、密码、性别、地址及个人介绍等字段的编辑与提交。用户登录后可在此更新个人资料，系统将修改后的数据同步保存至MySQL数据库。
. 注册登录
该页面是系统的身份验证入口，提供用户名和密码输入框及登录按钮，未注册用户可通过注册入口创建新账户。系统对用户身份进行安全校验，确保合法用户方可访问个人中心及预测等功能模块。
三、项目总结
本系统基于Flask框架和MySQL数据库构建，实现了股票数据的多维度可视化分析与机器学习预测两大核心能力。前端通过Echarts提供成交量成交额折线图、开盘收盘价组合图、换手率横向条形图等多种图表，覆盖了市场交易活跃度、价格波动趋势等分析场景。预测模块采用随机森林算法，支持用户选择个股与日期获取收盘价预测结果，为投资决策提供数据参考。系统还集成了注册登录与个人中心功能，保障用户身份安全并支持个人资料维护。整体设计从前端可视化展示到后端算法预测形成了完整闭环，满足了用户对股票数据分析与趋势预测的基本需求。
4、核心代码
# coding=utf-8importpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportLabelEncoderfromsklearn.ensembleimportRandomForestClassifierfromcommon.utilsimport*#岁据加data=pdsql('SELECT * FROM datasz limit 32000')# print(data.head())#提取特征值selected_features=['time','code','sp']data=data[selected_features]# print(data)#敬据处理data['time']=pd.to_datetime(data['time'])# print(data['time'])le=LabelEncoder()le2=LabelEncoder()le3=LabelEncoder()data['code']=le.fit_transform(data['code'])# data['city']=le2.fit_transform(data['city'])data['sp']=le3.fit_transform(data['sp'])data['day_of_year']=data['time'].dt.dayofyear data['day_of_week']=data['time'].dt.dayofweek data['month']=data['time'].dt.month#选择变量X=data[['day_of_year','day_of_week','month','code']]y=data['sp']print(y)#划分训练集 模型训练X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2)print('222')clf=RandomForestClassifier(n_estimators=10,n_jobs=-1)clf.fit(X_train,y_train)print(clf)defpredshangzheng(*args):print(args)date=pd.to_datetime(args[0][0])day_of_year=date.dayofyear day_of_week=date.dayofweek month=date.month# 249 3 9print([day_of_year,day_of_week,month])code=[le.transform([args[0][1]])[0]]# city = [le2.transform([args[0][2]])[0]]sample_date=pd.DataFrame({'day_of_year':day_of_year,'day_of_week':day_of_week,'month':month,'code':code})predicted_shoupanprice=clf.predict(sample_date)predicted_shoupanprice=le3.inverse_transform(predicted_shoupanprice)print(predicted_shoupanprice)returnpredicted_shoupanprice[0]# predshangzheng(clf,['2024-12-05'])
