Stock Prediction Neural Network and Machine Learning Examples

Примеры нейронной сети прогнозирования акций и машинного обучения (Python)

Содержание:

• Простые примеры
• Оптимизация гиперпараметров
• Начиная
• О примере данных о запасах

Обзор

Это методы ML и NN, готовые к запуску «из коробки». Разработан, чтобы быть простым для тех, кто хочет изучить новые методы прогнозирования акций. Эти примеры призваны быть простыми для понимания и подчеркивать основные компоненты каждого метода. В примерах также показано, как запускать модели на текущих данных, чтобы получить прогнозы по акциям.

Примеры машинного обучения:

• Генетические алгоритмы
• Градиентное усиление
• K-средства кластеризации
• Логистическая регрессия
• Случайный лес
• Машины опорных векторов (SVM)

Примеры нейронной сети:

• Нейронные сети прямого распространения (FFNN)
• Длинная кратковременная память (LSTM)
• Рекуррентные нейронные сети (RNN)

Примеры библиотеки нейронных сетей:

• Керас
• Молния
• PyTorch
• Тензорный поток

Начиная

1. Клонируйте этот репозиторий.
2. Перейдите в каталог проекта.
3. Установите необходимые библиотеки:

pip install -r requirements.txt

4. Загрузите стартовые данные:

   • Для этих примеров требуются точно отформатированные данные запаса со следующими свойствами:
     • Оконный: временной ряд сегментирован на обычные окна.
     • Логические метки: вместо прогнозирования конкретных значений в определенное время данные классифицируются.
     • Разделение теста/обучения: разделение в хронологическом порядке, чтобы исключить перекрытие данных и предвзятость.
   • Загрузите стартовые данные. и сохраните каталог example_data в этой папке проекта.

5. Запустите любой из скриптов в simple_examples .

Оптимизация гиперпараметров нейронной сети

Предназначен для простой настройки исследуемых значений гиперпараметров. Многопоточная обработка для быстрого выполнения.

1. Код находится в hyperparameter_tuning
2. Отредактируйте config.py в соответствии с вашими потребностями.
3. Запустите hyper_main.py

Информация о гиперпараметре здесь: Настройка гиперпараметра.

О примере данных о запасах

Этот код можно запустить с примером данных о запасах, доступных в примере данных D.AT.

Этот набор данных объединяет данные о ценах компаний, входящих в индекс S&P 500, за 5 лет, сегментированные на интервалы по 30 торговых дней каждый. Данные в каждом сегменте были нормализованы с использованием метода, при котором значения делятся на самую последнюю точку данных в сегменте. Каждая строка в наборе данных представляет определенный сегмент, предоставляя снимок данных об акциях, доступных в определенный торговый день. Строки помечены, чтобы указать, когда акция имела минимальный прирост в 5% в течение последующих 10 торговых дней.

• train.csv : из 5 лет содержит данные за первые 4 года.
• test.csv : из 5 лет содержит данные за последний год.
• latest.csv : этот файл содержит данные за последний торговый день для всех перечисленных акций. Хотя в нем отсутствуют метки (поскольку они относятся к будущим событиям), каждая строка сохраняет ту же структуру вектора признаков, что и в файлах train и test . Строки начинаются с тикера акции, который служит ключевым инструментом для определения акций с многообещающими перспективами хорошей доходности.

Получение новых данных

Данные примера являются статическими и не содержат текущих значений цен на акции. Последние данные, которые можно настроить с помощью различных торговых стратегий и опций проектирования функций, можно бесплатно загрузить на сайте D.AT.