- 综合排序
- 最热优先
- 最新优先
- 来自专栏量化投资与机器学习
XGBoost：股价预测进阶
前言 公众号之前发表过一篇文章： 严谨解决5种机器学习算法在预测股价的应用（代码+数据） 我们已经对XGBoost进行了验证，但在本文中，我们将更详细地研究XGBoost在股票价格预测问题中的性能 具体看这篇文章：严谨解决5种机器学习算法在预测股价的应用（代码+数据） 对每个样本复权收盘价的每个特征组，我们将其缩放为均值0和方差1。 模型应用 在执行了上述的步骤后，我们现在准备在测试集上执行预测。在这种情况下，我们的预测周期是21天，这意味着我们需要为每个预测生成21个预测。 我们不能一次生成所有21个预测，因为在生成第T天的预测之后，我们需要将这个预测反馈到我们的模型中，以生成第T+1天的预测，以此类推，直到我们得到所有21个预测。这就是所谓的递归预测。 对于预测范围内的每一天，我们需要预测，取消预测的规模，计算最后N个值的新平均值和标准偏差，调整最近N天的收盘价，然后再次预测。
3.1K61发布于 2019-11-22 - 来自专栏AI研习社
视频 | 如何用 AI 预测股价？
我们能用机器学习准确地预测股价吗？ 一种普遍的说法是股价是完全随机和不可预测的——让一只猴子蒙住眼睛在报纸的金融版面用飞镖选出来的投资组合，也能和投资专家精心选择的一样好。 它研究的是某些特定的变量与股价形势有何种关联。 在70年代，两位英国统计学家 BOX和Jenkins就利用大型计算机进行了早期尝试。他们能够获取的唯一数据就是价格和交易量。 在过去的几年里，我们看到 有许多相关的学术论文出版，它们用神经网络来预测股价而且都取得了不同程度的成功。但是也仅限于专家们有能力构建这些模型。 ，而是为整个输入序列输出一个预测向量。 Step 4 画预测图 用MapPlot Live把预测图画出来。 总结 对于很多股价波动，特别是那些大的波动，我们的模型预测情况看起来和实际数据还是相当一致的。
1.1K50发布于 2018-03-19 - 来自专栏数据派THU
独家 | 利用LSTM实现股价预测
作者：Siddharth M翻译：王可汗校对：欧阳锦 本文约1300字，建议阅读6分钟本文教你如何利用LSTM网络预测股价走势，并对开盘和收盘价进行可视化。 github.com/PacktPublishing/Learning-Pandas-Second-Edition/blob/master/data/goog.csv 二、利用LSTM实现股票的时间序列预测 我们将使用开盘价和收盘价来用LSTM进行时间序列预测。 model.predict(test_seq) test_inverse_predicted = MMS.inverse_transform(test_predicted) 可视化： 将数据与我们的模型拟合后，我们用它进行预测 现在我们可以使用这些数据来可视化预测 。
3.3K20编辑于 2021-12-24 - 来自专栏龙进的专栏
使用LSTM进行股价、汇率预测
最近因为做项目的需要，要做一些数据预测，因此就去学习了一下相关的知识。主要就是采用LSTM来做时间序列的预测。 IBM股价预测 数据集选择的是IBM2006-2018年的股价数据，我这里算的是每日的最高股价。其中，2006-2016年的数据是训练集，2017年的是测试集。 在不同epoch下，对2017年的数据进行预测的结果像下面的图片中所示的那样：（根据之前60天的真实数据来预测第二天的数据） 其中，蓝色的是真实曲线，绿色的是预测曲线。 预测接下来一个月的英镑汇率 上面的股价预测，是基于前面60天的真实数据来预测下一天的真实数据。那么要是预测接下来一个月的汇率呢？ 由于预测的是接下来的30天，并且汇率本身的变化程度就比较小（每天相差几分钱），因此，在测试集上，只能说是预测的变化趋势基本一致，但是具体的值的话，预测的不准。
1.5K20编辑于 2022-10-31 - 来自专栏量化投资与机器学习
使用LSTM模型预测股价基于Keras
本文将通过构建用Python编写的深度学习模型来预测未来股价走势。 虽然预测股票的实际价格非常难，但我们可以建立模型来预测股票价格是上涨还是下跌。 另外，本文将不考虑诸如政治氛围和市场环境等因素对股价的影响。。 介绍 LSTM在解决序列预测的问题时非常强大，因为它们能够存储之前的信息。而之前的股价对于预测股价未来走势时很重要。 X_test) predicted_stock_price = sc.inverse_transform(predicted_stock_price) 展示结果 最后，我们用Matplotlib库可视化显示真实股价和预测股价的对比 从图中我们可以看到，股票实际价格出现上涨时，模型也预测股价会上涨，较为吻合。这清晰地显示了LSTMs在分析时间序列和序列数据等方面的强大作用。 结论 预测股价的方法还有很多，比如移动平均线、线性回归、k近邻、ARIMA和Prophet。读者可以自行测试这些方法的准确率，并与Keras LSTM的测试结果进行比较。
4.6K20发布于 2019-02-26 - 来自专栏量化投资与机器学习
使用神经网络预测股价：失败了！！！
那么，有没有可能用神经网络来预测股价呢？今天公众号带你来探讨。 1 案例 我们将训练一个神经网络，它将使用n个已知值（过去的价格）来预测(n+1)-th的价格。我们假设两次价格测量之间的时间是常数。 这反过来支持了最初的推测，即我们无法用神经网络预测股价。显然，网络训练忽略一些输入，结论是输出并不依赖于它们。 我们已经把数据进行了标准化。现在我们来计算网络的精确误差。 使用不同公司的数据来训练一个网络是可能的，但是由于这些公司可能有不同的属性，它们的股价可能会根据不同的规律变化，这只会使网络混乱。 值得注意的是，网络本身并不能预测股价。 如果我们仔细观察股价曲线，我们会发现它的变化是随机的。如果我们只有价格而不知道外部事件，这就是事实。因此，股价看起来就像一个鞅，这一个我们无法预测的过程。 所以： 最好不要用神经网络来预测股价 参考资料 1、Bugorskij, V.
1.7K41发布于 2020-02-24 - 来自专栏杨熹的专栏
用线性回归和LSTM做股价预测
本文以微软的股价为例，详细注释在代码块里： ---- 1. processing X X_lately = X[-forecast_out:] # X_lately 是 X 的最后 forecast_out 个数，用来预测未来的数据 # 选择 close 这一列 forecast_out = 5 # 要预测未来几个时间步
1.8K20发布于 2018-12-28 - 来自专栏ATYUN订阅号
使用TensorFlow动手实现的简单的股价预测模型
本文是一个通过模拟预测股票，教会大家如何动手操作TensorFlow的教程，结果不具有权威性。因为股票价格的实际预测是一项非常复杂的任务，尤其是像本文这种按分钟的预测。 而在现实生活中进行时间序列预测时，预测时没有来自未来观测的信息。因此，必须对训练数据进行缩放统计计算，然后必须应用于测试数据。否则，在预测时使用未来的信息，通常偏向于正向预测指标。 前馈网络架构 损失函数 网络的损失函数用于度量生成的网络预测与实际观察到的训练目标之间的偏差。回归问题，常用均方误差（MSE）函数。MSE计算预测和目标之间的平均方差。 一般来说，任何可微函数都可以做预测和目标之间的偏差度量。 该模型快速学习测试数据中的时间序列的形状和位置，并且能够在几个epoch之后产生准确的预测。
1.6K60发布于 2018-03-05 - 来自专栏AI科技大本营的专栏
全球股市巨震，如何用深度学习预测股价？
作为关注 AI 多年的股市老韭菜，营长深知要想完全预测股市是不可能的，但并非无法预测。如果方法得当，就能提高成功的几率。可是什么样的方法才得当呢？ 因此我马上回到了那个魔法盒的机制，请允许我提醒你一下，我们想要根据过去来预测未来的市场，就像上述 Andrej Karpathy 根据前一个词预测下一个词一样。 在“预测市场”的情况下，我们需要问下自己想让市场准确预测什么？这里我想到了一些选择： 预测每个1000股接下来的价格。 预测接下来的n分钟内一些指数值（标准普尔、波动率指数等）。 预测哪只股票在接下来的n分钟内会上涨超过x%。 （我最喜欢的）预测哪只股票在接下来的n分钟内会上涨／下跌2x%，同时在这段时间内下跌／上涨的幅度不超过x%。 1和2是回归问题，我们必须预测出实际数字而不是特定事件的可能性（如字母n出现的概率或市场上涨的概率）。这都很好，但不是我想要做的。 3和4非常类似，它们都要求预测一个事件（技术术语称为“类标签”）。
97950发布于 2018-04-26 - 来自专栏量化投资与机器学习
NLP for Quant：使用NLP和深度学习预测股价（附代码）
一些论文和项目已经演示了如何使用自然语言处理技术从SEC文件和新闻中提取信息，以预测股票波动。 本文在其他工作的基础上，通过使用GloVE嵌入技术、MLP、CNN和RNN深度学习体系结构，预测8-K文件发布后的股票价格变化。 此外，几篇论文已经证明了神经网络在NLP中的效果，并且证明了使用NLP从SEC报告中做信息抽取，来预测股票价格变化的作用。 在这个项目中，我们试图用深度学习的方法证明，在SEC8-K文档中使用自然语言处理的词嵌入技术，来预测公司经历重大事件后股票价格波动的可行性。 讨论 本文触及了如何利用最新的自然语言处理技术和深度学习模型从SEC报告中提取有意义的信息以及公司股价的波动。为了从文本中收集更细微的信息，可以探索更专门的单词嵌入集或高级技术如Sense2Vec。
4.1K22发布于 2019-05-09 - 来自专栏机器学习之量化投资
你的机器学习算法真的能准确预测股价吗？
下面我们以天气预报的例子来解释其不合理性，假设我预测我家附近明天的温度将是 25度（事实上，25度是我家的年平均平均温度），在其他条件不变的情况下，这种预测是合理的。 但是当气象局预测明天的温度是15度时，我的预测可能就是不合理的。因此如果没有参考基准，是不能判断我的预测误差（可能大约 10度）的有用性和精度。 R²的平均值是99.735%，因此只剩下0.265%被Alpha模型和简单不可预测的噪音所共享。这在直觉上是非常不合理的。当人们专注于预测价格时，很容易忽视这种不合理性! 因此当使用机器学习算法进行股价预测时，仅仅关注预测指标是不够的，其需要能战胜合理的比较基准。这项研究的目的只有一个：如何正确分析一个预测价格的算法的性能。 原文链接: [核桃量化]你的机器学习算法真的能准确预测股价吗？ 转载请申请。
2.3K51编辑于 2023-01-17 - 来自专栏量化投资与机器学习
验证 | 单纯用LSTM预测股价，结果有多糟（附代码）
尽管预测股价确实是一个老问题，至今仍然没有被解决。事实十分简单：股票的价格由多种因素决定，而股票的历史价格仅仅是众多原因中的一小部分。因此，预测股价走势是一个非常困难的问题。 最后，我们会展示使用LSTM同时预测四个公司的股价，并且比较结果以探究是否预测效果会随着我们预测股价的公司个数的增加而提升。 LSTM神经元让它之前状态的参数通过 使用LSTM预测单个公司股价 最后，让我们使用一个LSTM来预测公司A单个公司股价的走势。 首先来看以下这些参数。 可能导致这个结果的理由有很多，其中的一些可能是： 仅仅用收盘价历史数据不足以预测股价走势 这个模型还能被进一步改善 使用LSTM预测四个公司的股价 最后，我们将用LSTM模型来一起预测所有四个公司的股价走势 甚至当利用多个公司的历史股价预测时，预测结果更加糟糕。
15.2K52发布于 2019-02-26 - 来自专栏kaggle实战
基于长短期记忆模型的股价预测及可视化
公众号：尤而小屋编辑：Peter作者：Peter大家好，我是Peter~介绍一个基于深度学习实战项目：基于长短期记忆模型LSTM的股价预测，包含：如何通过yfinance下载金融股票数据成交量、收盘价可视化如何生成股价的 5日、10日平均值股价日收益的计算基于LSTM建模预测收盘价等LSTM的介绍1、https://easyai.tech/ai-definition/lstm/2、https://zh.d2l.ai/chapter_recurrent-modern plt.ylabel('Counts') plt.title(f'{company_name[i - 1]}') # 图的标题 plt.tight_layout()相关性单独生成股价的收盘价作为 , arrowprops=dict(arrowstyle='-', color='blue', connectionstyle='arc3,rad=-0.3'))建模预测 x_test = np.array(x_test)# shape转换x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))预测过程
82710编辑于 2024-09-09 - 来自专栏量化投资与机器学习
最新NLP研究 | Twitter上的情绪如何预测股价走势（附代码）
一个账户的关注者越多，推文的影响力就越大，他们的情绪对股价的影响也越大。 cashtags是什么? 点击$标记后可显示出对应公司/股票的实时股价等交易信息及其他投资者对于这支股票的讨论。 这就是模型试图预测的内容。换句话说，基于今日推特情绪的预测值，预测一只股票应该在明天买进还是卖出? 然后通过比较买入持有策略与六种不同模型来使用这些数据集，每个每日预期的每日股票价格变动是使用模型预测的。 3、可以考虑将推特情绪的结果与其他技术结合使用，比如LSTM神经网络进行时间序列分析，总是提前一天做出预测。
15.3K41发布于 2019-05-14 - 来自专栏量化投资与机器学习
【干货】教你如何鉴别那些用深度学习预测股价的花哨模型？
该实例通过建立多维Long Short Term Memory （LSTM） 神经网络模型来预测比特币价格，并产生了如上图你所看到的一样精确的预测结果。 因此，LSTM在预测加密货币或者股票价格的模型中非常流行。 因此，我在预测价格的变化率，而不是绝对的数值大小。 事实上，如果我们计算实际回报和预测回报之前的相关性，不论是原始的预测还是平移一天的预测，我们都可以得到如下观察结果： fig, (ax1, ax2) = plt.subplots(1, 2, figsize 从上图我们可以看到，比特币价格的实际回报和原始预测回报之间没有相关性，而和平移一天后的预测回报之间有非常高的相关性。
98520发布于 2019-02-26 - 来自专栏量化投资与机器学习
【2万字干货】利用深度学习最新前沿预测股价走势
预测股价走势是一项极其复杂的任务，所以我们对股票（从不同的角度）了解得越多，我们的变化就越大。 采用趋势逼近可以帮助LSTM网络更准确地选取预测趋势。 5、ARIMA 这是（在前神经网络时代）预测时间序列数据未来值最流行的技术之一。让我们看看它是否是一个重要的预测方法。 从图5中可以看出，ARIMA给出了一个非常接近实际股价的结果。我们将通过ARIMA使用预测价格作为LSTM的输入特征，因为正如我们前面提到的，我们希望尽可能多地捕获关于高盛的特性和模式。 LSTM背后的逻辑是：我们取17天的数据（同样，这些数据是GS股票每天的股价+当天的所有其他特性——相关资产、情绪等），并尝试预测第18天。然后我们用一天移动17天窗口，再次预测第18天。 我们将使用无模型的RL算法，原因很明显，我们不了解整个环境，因此没有定义了环境如何工作的模型——如果有的话，我们不需要预测股价走势——他们只会遵循模型。
6.1K42发布于 2019-02-26 - 来自专栏量化投资与机器学习
用机器学习来预测股价（代码+文档）——2018年iNTUtion决赛大作！
本期作者：Roman Moser 本期翻译：deigozhao 未经授权，严禁转载 机器学习和深度学习在时间序列数据的预测上具有很高的准确率，在金融机构中获得了广泛的应用。 只用新的系数，生成新的去噪后的股价数据 下图是一个用小波变换来处理时间序列数据的效果图： ? train_stock.csv")) # train model model.fit(train, train_y, epochs=2000) 实验结果 下面是几只公司股票的股价预测和实际值的对比情况 在线学习（online learning） 股价预测模型应该具有较好的online learning的能力，针对历史数据训练出来的模型训，应该在新的股价数据产生之后做出及时的更新。 除了使用真实的股价数据来训练之外，还可以补充一些辅助数据，比如twitter中的推文和新闻中文章。
2.9K61发布于 2019-02-26 - 来自专栏数据小魔方
股价图
今天跟大家分享的是股价图！ ▽▼▽ 虽然股价图很容易通过网络获得，没有必要自己动手去做。但是作为excel内置图标库的一种重要图表类型，有必要跟大家介绍以下。 股价图:盘高——盘底——收盘图 （只需要以上三个数据，按照从左到右的顺序排列） 原数据： ? 选中数据区域，插入图表——股价图——盘高——盘底——收盘图 ? ? 股价图：开盘——盘高——盘底——收盘图 原数据： ? 选中之后，插入图表——开盘——盘高——盘底——收盘图 （可以改变下中间柱图的填充色） ? 股价图：成交量——盘高——盘低——收盘图 原数据： ? 插入图表——股价图：成交量——盘高——盘低——收盘图 ? ? 股价图：成交量——开盘价——最高价——最低价——收盘价 原数据： ? 插入图表——股价图：成交量——开盘价——盘高——盘低——收盘图 ? ?
1.3K80发布于 2018-04-10 - 来自专栏量化投资与机器学习
独家 | Two Sigma用新闻来预测股价走势，带你吊打Kaggle（附代码）
正文 可以根据历史数据预测股票价格吗？最直接的回答可能是：“不能”。这是因为股市价格波动很大，并且取决于很多因素。量化所有这些因素几乎是不可能的，因此预测股价仍然是一门没人能掌握的艺术。 撇开所有的负面因素不谈，有没有什么方法可以尽可能接近股价？有很多方法可以回答这个问题，但是在这里我们将看到机器学习是如何处理这个问题的。 影响公司股价的因素之一是在给定时间内关于该公司的新闻传播度。 前段时间Kaggle有一个竞赛，由Two Sigma赞助：用新闻来预测股价走势。此次比赛不仅为我们提供了市场数据，也为我们提供了新闻数据，我们可以利用这些数据来建立更好的模型。让我们开始吧！ 让我们先看看他们的股价在时间轴上，然后再下结论。 这里的预测值在[-1,1]的范围内。 2、将模型输入无界目标变量，将预测值剪切到[-1,1]范围内。 3、我们可以使用最小-最大方法将预测值缩放到[-1,1]的范围内。
4.8K61发布于 2019-02-26 - 来自专栏SDNLAB
Arista预测2018年收入增长20%，但实际股价下跌9%
“ Arista股价今天下跌约9％。 一位分析师在电话中表示，Arista对下一季度的指导似乎表明了业绩增长的速度正在放缓。
1.3K60发布于 2018-06-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号