Stock Prediction Neural Network and Machine Learning Examples

Réseau neuronal de prédiction boursière et exemples d'apprentissage automatique (Python)

Contenu:

• Exemples simples
• Optimisation des hyperparamètres
• Commencer
• À propos des exemples de données boursières

Aperçu

Ce sont des méthodes ML et NN prêtes à être lancées. Conçu pour être facile pour ceux qui cherchent à apprendre de nouvelles techniques de prévision boursière. Ces exemples se veulent simples à comprendre et mettent en évidence les composants essentiels de chaque méthode. Des exemples montrent également comment exécuter les modèles sur les données actuelles afin d'obtenir des prévisions boursières.

Exemples d'apprentissage automatique :

• Algorithmes génétiques
• Augmentation du dégradé
• K-means clustering
• Régression logistique
• Forêt aléatoire
• Machines à vecteurs de support (SVM)

Exemples de réseaux neuronaux :

• Réseaux de neurones à action directe (FFNN)
• Mémoire à long terme (LSTM)
• Réseaux de neurones récurrents (RNN)

Exemples de bibliothèques Neural Net :

• Kéras
• Foudre
• PyTorch
• Flux tensoriel

Commencer

1. Clonez ce référentiel.
2. Accédez au répertoire du projet.
3. Installez les bibliothèques nécessaires :

pip install -r requirements.txt

4. Téléchargez les données de démarrage :

   • Ces exemples nécessitent des données boursières formatées avec précision avec les propriétés suivantes :
     • Fenêtré : les séries chronologiques sont segmentées en fenêtres régulières.
     • Étiquettes booléennes : plutôt que de prédire des valeurs spécifiques à des moments précis, les données sont classées.
     • Répartition Test/Train : fractionnement chronologique pour éviter les chevauchements de données et les biais d'anticipation.
   • Téléchargez les données de démarrage. et enregistrez le répertoire example_data dans ce dossier de projet.

5. Exécutez l’un des scripts dans simple_examples .

Optimisation des hyperparamètres du réseau neuronal

Conçu pour une configuration facile des valeurs d'hyperparamètres explorées. Traitement multithread pour des exécutions rapides.

1. Le code est dans hyperparameter_tuning
2. Modifiez config.py en fonction de vos besoins
3. Exécutez hyper_main.py

Lisez-moi sur les hyperparamètres ici : réglage des hyperparamètres

À propos des exemples de données boursières

Ce code peut être exécuté avec les exemples de données de stock disponibles sur les exemples de données D.AT.

Cet ensemble de données regroupe 5 années de données sur les prix des sociétés composant le S&P 500, segmentées en intervalles de 30 jours de bourse chacun. Les données de chaque segment ont été normalisées à l'aide d'une méthode dans laquelle les valeurs sont divisées par le point de données le plus récent du segment. Chaque ligne de l'ensemble de données représente un segment spécifique, fournissant un instantané des données boursières disponibles un jour de bourse particulier. Les lignes sont étiquetées pour indiquer à quel moment l'action a enregistré un gain minimum de 5 % au cours des 10 jours de bourse suivants.

• train.csv : Sur les 5 années, il contient les 4 premières années de données.
• test.csv : Sur les 5 années, il contient la dernière année de données.
• latest.csv : Ce fichier contient les données du jour de bourse le plus récent pour toutes les actions répertoriées. Bien qu'elle manque d'étiquettes (puisqu'elles concernent des événements futurs), chaque ligne conserve la même structure de vecteurs de caractéristiques que celles des fichiers train et test . Les lignes commencent par le symbole boursier, qui constitue un outil clé pour identifier les actions offrant des perspectives prometteuses de bonne performance.

Obtenir de nouvelles données

Les exemples de données sont statiques et ne contiennent pas les valeurs actuelles du cours des actions. Des données récentes personnalisables avec différentes stratégies de trading et options d'ingénierie de fonctionnalités peuvent être téléchargées gratuitement sur D.AT.