用于LSTM模型的Pandas DataFrame上的处理时间序列库存数据

Question

我有一个熊猫数据框，其中包含1988年至2018年的每月开盘价，最高价，最低收盘价和几千只股票的交易量。我正在尝试构建序列长度= 3的LSTM模型。

但是，某些股票可能已在198802018年中途退市，因此每只股票可能没有相同数量的数据点。

这是我的df的示例：

date             stock_number        Open        High       Low           Close          Volume
1988-01-29            1              18.50       19.25      18.00         18.75          100000
1988-02-29            1              17.25       19.00      16.50         17.00          150000
1988-03-31            1              22.25       22.50      21.50         21.75          200000
1988-04-29            1              23.15       23.75      22.50         23.75          275000
1988-05-31            1              25.25       26.25      24.75         25.75          289000
1988-06-30            1              30.25       31.25      29.75         30.75          190000
1990-01-29            2              32.50       35.25      32.50         35.00          125000
1990-02-28            2              35.25       36.00      35.00         35.00          1230000
1990-03-31            2              27.25       27.50      25.50         25.75          200000
1990-04-29            2              25.15       25.75      24.50         25.75          275000
1990-05-31            2              25.25       26.25      24.75         25.75          289000
1990-06-30            2              30.25       31.25      29.75         30.75          190000

我正在尝试预测特定兴趣股票在当月最后一个交易日的收盘价。

我正在尝试建立一个通用的LSTM模型，以研究此数据框中所有股票的行为，并预测我想要的股票的收盘价，因为它们可能都具有相似的特征或相关性。我想进行一次阻塞火车测试拆分，如图所示，它使用10年的数据进行训练，并在第11年进行测试，依此类推...等等。请问有人知道如何做到这一点吗？预先谢谢你！