Stock Prediction Neural Network and Machine Learning Examples

Beispiele für neuronale Netzwerke und maschinelles Lernen zur Bestandsvorhersage (Python)

Inhalt:

• Einfache Beispiele
• Hyperparameteroptimierung
• Erste Schritte
• Über die Beispielbestandsdaten

Überblick

Hierbei handelt es sich um ML- und NN-Methoden, die sofort einsatzbereit sind. Entwickelt, um für diejenigen, die neue Techniken zur Aktienprognose erlernen möchten, einfach zu sein. Diese Beispiele sollen einfach zu verstehen sein und die wesentlichen Komponenten jeder Methode hervorheben. Beispiele zeigen auch, wie die Modelle mit aktuellen Daten ausgeführt werden, um Bestandsprognosen zu erhalten.

Beispiele für maschinelles Lernen:

• Genetische Algorithmen
• Steigungsschub
• K-bedeutet Clustering
• Logistische Regression
• Zufälliger Wald
• Support-Vektor-Maschinen (SVM)

Beispiele für neuronale Netze:

• Feed-Forward-Neuronale Netze (FFNN)
• Langes Kurzzeitgedächtnis (LSTM)
• Wiederkehrende neuronale Netze (RNN)

Beispiele für die Bibliothek neuronaler Netze:

• Keras
• Blitz
• PyTorch
• Tensorflow

Erste Schritte

1. Klonen Sie dieses Repository.
2. Navigieren Sie zum Projektverzeichnis.
3. Installieren Sie die erforderlichen Bibliotheken:

pip install -r requirements.txt

4. Laden Sie die Starterdaten herunter:

   • Diese Beispiele erfordern präzise formatierte Bestandsdaten mit den folgenden Eigenschaften:
     • Fensterförmig: Die Zeitreihe ist in regelmäßige Fenster segmentiert.
     • Boolesche Bezeichnungen: Anstatt bestimmte Werte zu bestimmten Zeiten vorherzusagen, werden die Daten klassifiziert.
     • Test-/Train-Aufteilung: Chronologische Aufteilung, um Datenüberschneidungen und Voreingenommenheit zu vermeiden.
   • Laden Sie die Starterdaten herunter. und speichern Sie das Verzeichnis example_data in diesem Projektordner.

5. Führen Sie eines der Skripts in simple_examples aus.

Hyperparameteroptimierung neuronaler Netze

Entwickelt für die einfache Konfiguration der zu untersuchenden Hyperparameterwerte. Multithread-Verarbeitung für schnelle Laufzeiten.

1. Der Code befindet sich in hyperparameter_tuning
2. Bearbeiten Sie config.py entsprechend Ihren Anforderungen
3. Führen Sie hyper_main.py aus

Hyperparameter-Readme hier: Hyperparameter-Tuning

Über die Beispielbestandsdaten

Dieser Code kann mit den Beispielbestandsdaten ausgeführt werden, die unter D.AT-Beispieldaten verfügbar sind.

Dieser Datensatz umfasst 5 Jahre Preisdaten der Unternehmen, aus denen der S&P 500 besteht, segmentiert in Intervalle von jeweils 30 Handelstagen. Die Daten in jedem Segment wurden mithilfe einer Methode normalisiert, bei der die Werte durch den aktuellsten Datenpunkt innerhalb des Segments dividiert werden. Jede Zeile im Datensatz stellt ein bestimmtes Segment dar und bietet eine Momentaufnahme der an einem bestimmten Handelstag verfügbaren Aktiendaten. Die Zeilen sind so beschriftet, dass sie angeben, wann die Aktie innerhalb der folgenden 10 Handelstage einen Mindestgewinn von 5 % verzeichnete.

• train.csv : Von den 5 Jahren enthält es die ersten 4 Jahre an Daten.
• test.csv : Von den 5 Jahren enthält es das letzte Jahr der Daten.
• latest.csv : Diese Datei enthält Daten vom letzten Handelstag für alle aufgeführten Aktien. Obwohl es keine Beschriftungen gibt (da diese sich auf zukünftige Ereignisse beziehen), behält jede Zeile die gleiche Merkmalsvektorstruktur bei wie die in den train und test . Die Zeilen beginnen mit dem Börsentickersymbol und dienen als wichtiges Instrument zur Identifizierung von Aktien mit vielversprechenden Aussichten auf eine gute Wertentwicklung.

Neue Daten erhalten

Die Beispieldaten sind statisch und enthalten keine aktuellen Aktienkurswerte. Aktuelle Daten, die mit verschiedenen Handelsstrategien und Feature-Engineering-Optionen anpassbar sind, können kostenlos bei D.AT heruntergeladen werden.