Stock Prediction Neural Network and Machine Learning Examples

أمثلة على الشبكة العصبية للتنبؤ بالمخزون والتعلم الآلي (بايثون)

محتويات:

• أمثلة بسيطة
• تحسين المعلمة الفائقة
• ابدء
• حول مثال بيانات المخزون

ملخص

هذه هي طرق ML وNN جاهزة للانطلاق خارج الصندوق. تم تصميمه ليكون سهلاً لأولئك الذين يتطلعون إلى تعلم تقنيات جديدة للتنبؤ بالأسهم. تهدف هذه الأمثلة إلى أن تكون سهلة الفهم وتسلط الضوء على المكونات الأساسية لكل طريقة. توضح الأمثلة أيضًا كيفية تشغيل النماذج على البيانات الحالية للحصول على توقعات المخزون.

أمثلة على التعلم الآلي:

• الخوارزميات الجينية
• تعزيز التدرج
• K-يعني التجميع
• الانحدار اللوجستي
• غابة عشوائية
• دعم آلات المتجهات (SVM)

أمثلة على الشبكة العصبية:

• الشبكات العصبية ذات التغذية الأمامية (FFNN)
• الذاكرة الطويلة قصيرة المدى (LSTM)
• الشبكات العصبية المتكررة (RNN)

أمثلة على مكتبة الشبكة العصبية:

• كيراس
• البرق
• باي تورش
• Tensorflow

ابدء

1. استنساخ هذا المستودع.
2. انتقل إلى دليل المشروع.
3. تثبيت المكتبات اللازمة:

pip install -r requirements.txt

4. تنزيل بيانات البداية:

   • تتطلب هذه الأمثلة بيانات مخزون منسقة بدقة مع الخصائص التالية:
     • Windowed: يتم تقسيم السلاسل الزمنية إلى نوافذ عادية.
     • التصنيفات المنطقية: بدلاً من التنبؤ بقيم محددة في أوقات محددة، يتم تصنيف البيانات.
     • تقسيم الاختبار/التدريب: يتم التقسيم بتسلسل زمني لعدم تداخل البيانات وتحيز النظرة المستقبلية.
   • قم بتنزيل بيانات البداية. واحفظ دليل example_data في مجلد المشروع هذا.

5. قم بتشغيل أي من البرامج النصية في simple_examples .

تحسين المعلمات الفائقة للشبكة العصبية

تم تصميمه للتكوين السهل لقيم المعلمات الفائقة التي يتم استكشافها. معالجة متعددة الخيوط لأوقات تشغيل سريعة.

1. الكود موجود في hyperparameter_tuning
2. قم بتحرير config.py ليناسب احتياجاتك
3. قم بتشغيل hyper_main.py

الملف التمهيدي للمعلمة التشعبية هنا: ضبط المعلمة التشعبية

حول مثال بيانات المخزون

يمكن تشغيل هذا الرمز باستخدام بيانات المخزون النموذجية المتوفرة في بيانات نموذج D.AT.

تتضمن مجموعة البيانات هذه 5 سنوات من بيانات الأسعار للشركات التي تضم مؤشر S&P 500، مقسمة إلى فترات زمنية كل منها 30 يوم تداول. تمت تسوية البيانات في كل مقطع باستخدام طريقة يتم من خلالها تقسيم القيم على أحدث نقطة بيانات داخل المقطع. يمثل كل صف في مجموعة البيانات شريحة محددة، مما يوفر لمحة سريعة عن بيانات المخزون المتاحة في يوم تداول معين. يتم تصنيف الصفوف للإشارة إلى الوقت الذي حقق فيه السهم ربحًا لا يقل عن 5٪ خلال أيام التداول العشرة اللاحقة.

• train.csv : من بين السنوات الخمس، يحتوي على بيانات السنوات الأربع الأولى.
• test.csv : من بين الخمس سنوات، يحتوي على بيانات السنة الأخيرة.
• latest.csv : يحتوي هذا الملف على بيانات من آخر يوم تداول لجميع الأسهم المدرجة. على الرغم من أنه يفتقر إلى التصنيفات (نظرًا لأن هذه تتعلق بالأحداث المستقبلية)، فإن كل صف يحتفظ بنفس بنية ناقل الميزات كتلك الموجودة في ملفات train test . تبدأ الصفوف برمز شريط الأسهم، وهو بمثابة أداة رئيسية لتحديد الأسهم ذات الآفاق الواعدة للأداء الجيد.

الحصول على بيانات جديدة

بيانات المثال ثابتة ولا تحتوي على قيم أسعار الأسهم الحالية. يمكن تنزيل البيانات الحديثة القابلة للتخصيص باستخدام استراتيجيات تداول مختلفة وخيارات هندسة الميزات مجانًا على D.AT.