Stock Prediction Neural Network and Machine Learning Examples

ตัวอย่างโครงข่ายประสาทเทียมการทำนายหุ้นและการเรียนรู้ของเครื่อง (Python)

สารบัญ:

• ตัวอย่างง่ายๆ
• การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์
• เริ่มต้นใช้งาน
• เกี่ยวกับตัวอย่างข้อมูลหุ้น

ภาพรวม

นี่คือวิธี ML และ NN ที่พร้อมเปิดตัวทันที ออกแบบมาให้ง่ายสำหรับผู้ที่ต้องการเรียนรู้เทคนิคใหม่ๆ ในการทำนายหุ้น ตัวอย่างเหล่านี้มีไว้เพื่อให้เข้าใจง่ายและเน้นองค์ประกอบที่สำคัญของแต่ละวิธี ตัวอย่างยังแสดงวิธีการรันแบบจำลองกับข้อมูลปัจจุบันเพื่อรับการคาดการณ์หุ้น

ตัวอย่างการเรียนรู้ของเครื่อง:

• อัลกอริธึมทางพันธุกรรม
• เพิ่มการไล่ระดับสี
• การจัดกลุ่ม K-mean
• การถดถอยโลจิสติก
• ป่าสุ่ม
• รองรับเครื่องเวกเตอร์ (SVM)

ตัวอย่างโครงข่ายประสาทเทียม:

• โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า (FFNN)
• หน่วยความจำระยะสั้นระยะยาว (LSTM)
• โครงข่ายประสาทเทียมที่เกิดซ้ำ (RNN)

ตัวอย่างไลบรารี Neural Net:

• เคราส
• ฟ้าผ่า
• ไพทอร์ช
• เทนเซอร์โฟลว์

เริ่มต้นใช้งาน

1. โคลนที่เก็บนี้
2. นำทางไปยังไดเรกทอรีโครงการ
3. ติดตั้งไลบรารีที่จำเป็น:

pip install -r requirements.txt

4. ดาวน์โหลดข้อมูลเริ่มต้น:

   • ตัวอย่างเหล่านี้ต้องการข้อมูลหุ้นที่มีการจัดรูปแบบอย่างแม่นยำด้วยคุณสมบัติต่อไปนี้:
     • แบบมีหน้าต่าง: อนุกรมเวลาจะถูกแบ่งออกเป็นหน้าต่างปกติ
     • ป้ายกำกับบูลีน: แทนที่จะคาดการณ์ค่าเฉพาะในเวลาที่กำหนด ข้อมูลจะถูกจัดประเภท
     • การแยกการทดสอบ/ฝึก: แบ่งตามลำดับเวลาเพื่อไม่ให้ข้อมูลทับซ้อนกันและมีอคติในการมองไปข้างหน้า
   • ดาวน์โหลดข้อมูลเริ่มต้น และบันทึกไดเร็กทอรี example_data ลงในโฟลเดอร์โปรเจ็กต์นี้

5. เรียกใช้สคริปต์ใด ๆ ใน simple_examples

การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ของ Neural Net

ออกแบบมาเพื่อการกำหนดค่าไฮเปอร์พารามิเตอร์ที่จะสำรวจได้ง่าย การประมวลผลแบบมัลติเธรดเพื่อรันไทม์ที่รวดเร็ว

1. รหัสอยู่ใน hyperparameter_tuning
2. แก้ไข config.py ให้เหมาะกับความต้องการของคุณ
3. เรียกใช้ hyper_main.py

อ่านไฮเปอร์พารามิเตอร์ที่นี่: การปรับแต่งไฮเปอร์พารามิเตอร์

เกี่ยวกับตัวอย่างข้อมูลหุ้น

รหัสนี้สามารถเรียกใช้กับข้อมูลหุ้นตัวอย่างที่มีอยู่ในข้อมูลตัวอย่าง D.AT

ชุดข้อมูลนี้สรุปข้อมูลราคา 5 ปีของบริษัทที่ประกอบด้วย S&P 500 โดยแบ่งออกเป็นช่วงละ 30 วันทำการซื้อขาย ข้อมูลในแต่ละกลุ่มได้รับการทำให้เป็นมาตรฐานโดยใช้วิธีการหารค่าด้วยจุดข้อมูลล่าสุดภายในกลุ่ม แต่ละแถวในชุดข้อมูลแสดงถึงกลุ่มเฉพาะ โดยให้ภาพรวมของข้อมูลหุ้นที่มีอยู่ในวันทำการซื้อขายเฉพาะ แถวจะมีป้ายกำกับเพื่อระบุว่าเมื่อใดที่หุ้นมีกำไรขั้นต่ำ 5% ภายใน 10 วันทำการถัดไป

• train.csv : จาก 5 ปี ประกอบด้วยข้อมูล 4 ปีแรก
• test.csv : จาก 5 ปี ประกอบด้วยข้อมูลปีสุดท้าย
• latest.csv : ไฟล์นี้มีข้อมูลจากวันซื้อขายล่าสุดสำหรับหุ้นทั้งหมดที่อยู่ในรายการ แม้ว่าจะไม่มีป้ายกำกับ (เนื่องจากสิ่งเหล่านี้เกี่ยวข้องกับเหตุการณ์ในอนาคต) แต่ละแถวจะรักษาโครงสร้างเวกเตอร์คุณลักษณะเดียวกันกับที่อยู่ในไฟล์ train และ test แถวเริ่มต้นด้วยสัญลักษณ์หุ้น ซึ่งทำหน้าที่เป็นเครื่องมือสำคัญในการระบุหุ้นที่มีแนวโน้มว่าจะมีผลการดำเนินงานที่ดี

รับข้อมูลใหม่

ข้อมูลตัวอย่างเป็นแบบคงที่และไม่มีมูลค่าราคาหุ้นปัจจุบัน ข้อมูลล่าสุดที่ปรับแต่งได้ด้วยกลยุทธ์การซื้อขายที่แตกต่างกันและตัวเลือกทางวิศวกรรมคุณสมบัติสามารถดาวน์โหลดได้ฟรีที่ D.AT