Stock Prediction Neural Network and Machine Learning Examples

Exemplos de redes neurais de previsão de ações e aprendizado de máquina (Python)

Conteúdo:

• Exemplos simples
• Otimização de hiperparâmetros
• Começando
• Sobre os dados de estoque de exemplo

Visão geral

Esses são métodos de ML e NN prontos para serem lançados imediatamente. Projetado para ser fácil para quem deseja aprender novas técnicas de previsão de ações. Esses exemplos pretendem ser simples de entender e destacar os componentes essenciais de cada método. Os exemplos também mostram como executar os modelos nos dados atuais para obter previsões de ações.

Exemplos de aprendizado de máquina:

• Algoritmos genéticos
• Aumento de gradiente
• Agrupamento K-means
• Regressão logística
• Floresta Aleatória
• Máquinas de vetores de suporte (SVM)

Exemplos de redes neurais:

• Redes neurais feedforward (FFNN)
• Memória de longo prazo (LSTM)
• Redes Neurais Recorrentes (RNN)

Exemplos de biblioteca de redes neurais:

• Keras
• Raio
• PyTorch
• Fluxo tensor

Começando

1. Clone este repositório.
2. Navegue até o diretório do projeto.
3. Instale as bibliotecas necessárias:

pip install -r requirements.txt

4. Baixe os dados iniciais:

   • Esses exemplos exigem dados de estoque formatados com precisão com as seguintes propriedades:
     • Janela: a série temporal é segmentada em janelas regulares.
     • Rótulos booleanos: em vez de prever valores específicos em momentos específicos, os dados são classificados.
     • Divisão de teste/treinamento: Divida cronologicamente para evitar sobreposições de dados e viés de antecipação.
   • Baixe os dados iniciais. e salve o diretório example_data nesta pasta do projeto.

5. Execute qualquer um dos scripts em simple_examples .

Otimização de hiperparâmetros de rede neural

Projetado para fácil configuração de quais valores de hiperparâmetros são explorados. Processamento multithread para tempos de execução rápidos.

1. O código está em hyperparameter_tuning
2. Edite config.py para atender às suas necessidades
3. Execute hyper_main.py

Leia-me do hiperparâmetro aqui: Ajuste de hiperparâmetro

Sobre os dados de estoque de exemplo

Este código pode ser executado com os dados de estoque de exemplo disponíveis em dados de exemplo D.AT.

Este conjunto de dados encapsula 5 anos de dados de preços das empresas que compõem o S&P 500, segmentados em intervalos de 30 dias de negociação cada. Os dados em cada segmento foram normalizados usando um método onde os valores são divididos pelo ponto de dados mais recente dentro do segmento. Cada linha no conjunto de dados representa um segmento específico, fornecendo um instantâneo dos dados de ações disponíveis em um determinado dia de negociação. As linhas são rotuladas para indicar quando a ação teve um ganho mínimo de 5% nos 10 dias de negociação subsequentes.

• train.csv : Dos 5 anos, contém os primeiros 4 anos de dados.
• test.csv : Dos 5 anos, contém o ano final dos dados.
• latest.csv : Este arquivo contém dados do dia de negociação mais recente para todas as ações listadas. Embora não possua rótulos (uma vez que pertencem a eventos futuros), cada linha mantém a mesma estrutura de vetor de recursos daqueles nos arquivos train e test . As linhas começam com o símbolo da bolsa, servindo como uma ferramenta fundamental para identificar ações com perspectivas promissoras de bom desempenho.

Obtendo novos dados

Os dados de exemplo são estáticos e não contêm valores atuais de preços de ações. Dados recentes personalizáveis ​​com diferentes estratégias de negociação e opções de engenharia de recursos podem ser baixados gratuitamente em D.AT.