Stock Prediction Neural Network and Machine Learning Examples

股票预测神经网络和机器学习示例 (Python)

内容：

• 简单的例子
• 超参数优化
• 入门
• 关于示例股票数据

概述

这些是开箱即用的 ML 和 NN 方法。专为那些希望学习股票预测新技术的人而设计。这些示例旨在易于理解并强调每种方法的基本组成部分。示例还展示了如何在当前数据上运行模型以获得股票预测。

机器学习示例：

• 遗传算法
• 梯度提升
• K-均值聚类
• 逻辑回归
• 随机森林
• 支持向量机 (SVM)

神经网络示例：

• 前馈神经网络 (FFNN)
• 长短期记忆（LSTM）
• 循环神经网络 (RNN)

神经网络库示例：

• 喀拉斯
• 闪电
• 火炬
• 张量流

入门

1. 克隆这个存储库。
2. 导航到项目目录。
3. 安装必要的库：

pip install -r requirements.txt

4. 下载启动数据：

   • 这些示例需要具有以下属性的精确格式化的股票数据：
     • 窗口化：时间序列被分割成规则的窗口。
     • 布尔标签：数据被分类，而不是预测特定时间的特定值。
     • 测试/训练分割：按时间顺序分割，避免数据重叠和前瞻偏差。
   • 下载入门数据。并将example_data目录保存到该项目文件夹中。

5. 运行simple_examples中的任何脚本。

神经网络超参数优化

专为轻松配置所探索的超参数值而设计。多线程处理可实现快速运行。

1. 代码在hyperparameter_tuning中
2. 编辑config.py以满足您的需求
3. 运行hyper_main.py

超参数自述文件位于此处：超参数调整

关于示例股票数据

此代码可以使用 D.AT 示例数据中提供的示例股票数据运行。

该数据集封装了标准普尔 500 指数成分股公司 5 年的价格数据，分为每个 30 个交易日的间隔。每个段中的数据已使用将值除以段内最新数据点的方法进行标准化。数据集中的每一行代表一个特定的部分，提供特定交易日可用股票数据的快照。行被标记以指示股票在随后 10 个交易日内何时涨幅至少为 5%。

• train.csv ：在这 5 年中，它包含前 4 年的数据。
• test.csv ：在 5 年中，它包含最后一年的数据。
• latest.csv ：此文件包含所有上市股票最近交易日的数据。虽然它缺少标签（因为这些标签与未来事件有关），但每一行都保持与train和test文件中的特征向量结构相同的特征向量结构。这些行以股票代码开始，是确定具有良好业绩前景的股票的关键工具。

获取新数据

示例数据是静态的，不包含当前股票价格值。可通过 D.AT 免费下载可使用不同交易策略和特征工程选项定制的最新数据。