Stock Prediction Neural Network and Machine Learning Examples

Ejemplos de aprendizaje automático y redes neuronales de predicción de acciones (Python)

Contenido:

• Ejemplos simples
• Optimización de hiperparámetros
• Empezando
• Acerca de los datos bursátiles de ejemplo

Descripción general

Estos son métodos ML y NN listos para lanzarse de inmediato. Diseñado para ser fácil para aquellos que buscan aprender nuevas técnicas de predicción de acciones. Estos ejemplos pretenden ser fáciles de entender y resaltar los componentes esenciales de cada método. Los ejemplos también muestran cómo ejecutar los modelos con datos actuales para obtener predicciones de acciones.

Ejemplos de aprendizaje automático:

• Algoritmos genéticos
• Aumento de gradiente
• K-medias agrupación
• Regresión logística
• Bosque aleatorio
• Máquinas de vectores de soporte (SVM)

Ejemplos de redes neuronales:

• Redes neuronales de retroalimentación (FFNN)
• Memoria larga a corto plazo (LSTM)
• Redes neuronales recurrentes (RNN)

Ejemplos de biblioteca de red neuronal:

• Keras
• Iluminación
• PyTorch
• flujo tensor

Empezando

1. Clona este repositorio.
2. Navegue hasta el directorio del proyecto.
3. Instale las bibliotecas necesarias:

pip install -r requirements.txt

4. Descargue los datos de inicio:

   • Estos ejemplos requieren datos bursátiles formateados con precisión con las siguientes propiedades:
     • En ventana: la serie temporal se segmenta en ventanas normales.
     • Etiquetas booleanas: en lugar de predecir valores específicos en momentos específicos, los datos se clasifican.
     • División de prueba/entrenamiento: Divida cronológicamente para que no haya superposiciones de datos ni sesgos de anticipación.
   • Descargue los datos de inicio. y guarde el directorio example_data en esta carpeta del proyecto.

5. Ejecute cualquiera de los scripts en simple_examples .

Optimización de hiperparámetros de red neuronal

Diseñado para una fácil configuración de los valores de hiperparámetros que se exploran. Procesamiento multiproceso para tiempos de ejecución rápidos.

1. El código está en hyperparameter_tuning
2. Edite config.py para adaptarlo a sus necesidades
3. Ejecute hyper_main.py

Léame de hiperparámetros aquí: Ajuste de hiperparámetros

Acerca de los datos bursátiles de ejemplo

Este código se puede ejecutar con los datos de stock de ejemplo disponibles en datos de ejemplo de D.AT.

Este conjunto de datos resume 5 años de datos de precios de las empresas que componen el S&P 500, segmentados en intervalos de 30 días hábiles cada uno. Los datos de cada segmento se han normalizado utilizando un método en el que los valores se dividen por el punto de datos más reciente dentro del segmento. Cada fila del conjunto de datos representa un segmento específico y proporciona una instantánea de los datos bursátiles disponibles en un día de negociación en particular. Las filas están etiquetadas para indicar cuándo la acción tuvo una ganancia mínima del 5% dentro de los 10 días hábiles siguientes.

• train.csv : De los 5 años, contiene los primeros 4 años de datos.
• test.csv : De los 5 años, contiene el último año de datos.
• latest.csv : este archivo contiene datos del día de negociación más reciente para todas las acciones cotizadas. Si bien carece de etiquetas (ya que pertenecen a eventos futuros), cada fila mantiene la misma estructura de vectores de características que las de los archivos train y test . Las filas comienzan con el símbolo bursátil, que sirve como herramienta clave para identificar acciones con perspectivas prometedoras de buen rendimiento.

Obteniendo nuevos datos

Los datos de ejemplo son estáticos y no contienen valores de precios de acciones actuales. Los datos recientes personalizables con diferentes estrategias comerciales y opciones de ingeniería de funciones se pueden descargar de forma gratuita en D.AT.