Stock Prediction Neural Network and Machine Learning Examples

Contoh Jaringan Neural Prediksi Saham dan Pembelajaran Mesin (Python)

Isi:

• Contoh Sederhana
• Optimasi Hiperparameter
• Memulai
• Tentang Contoh Data Saham

Ringkasan

Ini adalah metode ML dan NN yang siap diluncurkan. Dirancang agar mudah bagi mereka yang ingin mempelajari teknik baru untuk prediksi saham. Contoh-contoh ini dimaksudkan agar mudah dipahami dan menyoroti komponen penting dari setiap metode. Contoh juga menunjukkan cara menjalankan model pada data terkini untuk mendapatkan prediksi saham.

Contoh Pembelajaran Mesin:

• Algoritma genetika
• Peningkatan gradien
• Pengelompokan K-means
• Regresi logistik
• Hutan Acak
• Mendukung mesin vektor (SVM)

Contoh Jaringan Neural:

• Jaringan saraf umpan maju (FFNN)
• Memori jangka pendek panjang (LSTM)
• Jaringan Neural Berulang (RNN)

Contoh perpustakaan Neural Net:

• keras
• Petir
• PyTorch
• Aliran Tensor

Memulai

1. Kloning repositori ini.
2. Arahkan ke direktori proyek.
3. Instal perpustakaan yang diperlukan:

pip install -r requirements.txt

4. Unduh data awal:

   • Contoh berikut memerlukan data stok yang diformat secara tepat dengan properti berikut:
     • Berjendela: Deret waktu disegmentasi menjadi jendela biasa.
     • Label Boolean: Daripada memprediksi nilai tertentu pada waktu tertentu, datanya diklasifikasikan.
     • Pemisahan Tes/Latihan: Pisahkan secara kronologis agar tidak ada data yang tumpang tindih dan bias melihat ke depan.
   • Unduh data awal. dan simpan direktori example_data ke folder proyek ini.

5. Jalankan salah satu skrip di simple_examples .

Optimasi Hyperparameter Jaringan Neural

Dirancang untuk memudahkan konfigurasi nilai hyperparameter yang dieksplorasi. Pemrosesan multi-utas untuk waktu proses yang cepat.

1. Kode ada di hyperparameter_tuning
2. Edit config.py sesuai kebutuhan Anda
3. Jalankan hyper_main.py

Baca saya hyperparameter di sini: Penyetelan Hyperparameter

Tentang Contoh Data Saham

Kode ini dapat dijalankan dengan contoh data stok yang tersedia di data contoh D.AT.

Kumpulan data ini merangkum data harga 5 tahun dari perusahaan-perusahaan yang terdiri dari S&P 500, disegmentasi ke dalam interval masing-masing 30 hari perdagangan. Data di setiap segmen telah dinormalisasi menggunakan metode di mana nilai dibagi dengan titik data terbaru dalam segmen tersebut. Setiap baris dalam kumpulan data mewakili segmen tertentu, memberikan gambaran singkat tentang data saham yang tersedia pada hari perdagangan tertentu. Baris diberi label untuk menunjukkan kapan saham memperoleh keuntungan minimal 5% dalam 10 hari perdagangan berikutnya.

• train.csv : Dari 5 tahun, berisi data 4 tahun pertama.
• test.csv : Dari 5 tahun, berisi data tahun terakhir.
• latest.csv : File ini berisi data hari perdagangan terkini untuk semua saham yang terdaftar. Meskipun tidak memiliki label (karena ini berkaitan dengan peristiwa di masa depan), setiap baris mempertahankan struktur vektor fitur yang sama seperti yang ada di file train dan test . Baris-baris tersebut dimulai dengan simbol ticker saham, yang berfungsi sebagai alat utama untuk menentukan saham-saham dengan prospek menjanjikan dengan kinerja yang baik.

Mendapatkan data baru

Data contoh bersifat statis dan tidak memuat nilai harga saham saat ini. Data terkini yang dapat disesuaikan dengan berbagai strategi perdagangan dan opsi rekayasa fitur dapat diunduh secara gratis di D.AT.