金融时刻序列猜测办法合集：CNN、LSTM、随机森林、ARMA猜测股票价格（适用于时序问题）、类似度核算、各类评判目标绘图（数学建模科研适用）
1.运用CNN模型猜测未来一天的股价涨跌-CNN（卷积神经网络）
运用CNN模型猜测未来一天的股价涨跌
数据介绍
open 开盘价；close 收盘价；high 最高价
low 最低价；volume 交易量；label 涨/跌
练习规划
特征数量5；天数5 = 5 5
卷积进程
最大池化进程
代码流程
- 获取股票数据
- 数据归一化
- 数据预处理（区分成55）
- 数据集切割（练习集和测验集）
- 界说卷积神经网络
- 点评猜测模型
模型架构
码源链接见文末跳转
文末链接跳转
2.根据LSTM猜测股票价格（长短期回忆神经网络）
根据LSTM猜测股票价格（简易版）
数据集：
沪深300数据
数据特征：
只选用原始数据特征（开盘价、收盘价、最高价、最低价、交易量）
时刻窗口：
15天
代码流程：
读取数据->生成标签(下一天收盘价)->切割数据集->LSTM模型猜测->可视化->猜测成果点评
LSTM网络结构：
函数介绍：
1、generate_label 生成标签（下一天收盘价）
2、generate_model_data 切割数据集
3、evaluate 成果点评
4、lstm_model LSTM猜测模型
5、main 主函数（含可视化）
可视化输出：
练习集测验集拟合效果：
点评目标：
1、RMSE：55.93668241713906
2、MAE：44.51361108752264
3、MAPE：1.3418267677320612
4、AMAPE：1.3420384401412058
3.根据随机森林猜测股票未来第d+k天比较于第d天的涨/跌Random-Forest（随机森林）
根据随机森林猜测股票未来第d+k天比较于第d天的涨/跌（简易版）
参阅论文：Predicting the direction of stock market prices using random forest
论文流程：
算法流程：
获取金融数据->指数滑润->核算技术目标->数据归一化->随机森林模型猜测
函数介绍：
1、get_stock_data 经过Tushare获取原始股票数据
2、exponential_smoothing、em_stock_data 股票指数滑润处理
3、calc_technical_indicators 核算常用的技术目标
4、normalization 数据归一化处理并切割数据集
5、random_forest_model 随机森林模型并返回准确率和特征排名
决策树：
（1）ID3: 根据信息增益大的数据特征区分层次
（2）C4.5: 根据信息增益比=信息增益/特征熵区分层次
（3）CART: 根据Gini区分层次
根据Bagging集成学习算法，有多棵决策树组成（通常是CART决策树），其主要特性有：
（1）样本和特征随机采样
（2）适用于数据维度大的数据集
（3）对反常样本点不灵敏
（4）能够并行练习（决策树间独立同分布）
算法输出：
注意：算法仅用于参阅学习沟通，因为是研一时期独立编写（以后或许进一步完善），所揭露的代码并非满足完善和严谨，如以下问题：
-
模型触及参数未寻优（可考虑网格查找、随机查找、贝叶斯优化）
-
指数滑润因子
-
随机森林模型树数量、决策树深度、叶子节点最小样本数等
-
未来第k天的选择
-
归一化办法
-
-
随机森林模型其实本身不需求数据归一化（如算法对数据集进行归一化也需求考虑对练习集、验证集、测验集独立归一化）
-
股票猜测考虑的数据特征：
-
原始数据特征（open/close/high/low）
-
技术目标（Technical indicator）
-
企业揭露公告信息
-
企业未来规划
-
企业年度报表
-
社会舆论
-
股民情绪
-
国家方针
-
股票间影响等
-
4.模型输出成果
5.随机森林参数优化参阅表
4.根据ARMA猜测股票价格-ARMA（自回归滑动平均模型）
根据ARMA猜测股票价格（5分钟数据）
1.检测数据平稳化
2.差分/对数等数据处理
3.运用ARMA模型猜测
备注：部分代码参阅网络资源
5.金融时刻序列类似度核算
5.1.皮尔逊相关系数（ pearson_correlation_coefficient）
1.1 因为不同股票价格范围间隔过大，在进行股票时刻序列类似度匹配进程中通常考虑对数差处理，其公式如下所示：
1.2经过对数差处理后的金融时刻序列可表示：
1.3皮尔逊相关系数核算公式：
1.4成果
1.4.1相关性较强
1.4.2相关性较弱
5.2.动态时刻规整（dynamic_time_wrapping）
2.1 核算两个金融时刻序列的时刻点对应数据的欧氏间隔
2.2 更新时刻点对应数据的间隔
2.3 动态时刻规整间隔
2.4 伪代码
2.5 动态时刻规整间隔输出图举例
2.6 动态时刻规整最优匹配对齐
2.7成果
2.7.1动态时刻规整间隔较短
2.7.1动态时刻规整间隔较长
5.3.余弦类似度（cosine similarity）
6.金融时刻序列（其他）
6.1.核算特征方差（calc_variance.py）
open 161211.21669504658
close 161415.73886306392
high 166077.6958545937
low 156622.3645795179
......
6.2.制作混杂矩阵（confuse_matrix.py）
6.3.特征间相关性（corr.py）
6.4.制作猜测模型性能——柱状图（result_bar.py）
6.5.制作猜测模型性能——折线图（result_plot.py）
6.6.类似金融时刻序列制作（similarity_time_series.py）
6.7.核算分类的点评目标（evaluation.py）
（1）准确率Accuracy
（2）准确率Precision
（3）召回率Recall
（4）特异度Specificity
（5）归纳点评目标F-measure
（6）马修斯相关系数MCC(Matthews Correlation Coefficient)
6.8.窗口数据归一化（normalization.py）
（1）z-score标准化（std）
（2）最大最小归一化（maxmin）
6.9.股票数据下载（download.py）
（1）tushare接口
（2）JQdata接口
6.10.roc曲线制作（roc.py）
6.11.混杂矩阵制作（confusion_matrix.py）
6.12.卡尔曼滤波（kalmanfilter.py）
6.13.蜡烛图 (candle.py)
码源链接见文末跳转
文末链接跳转
更多优质内容请关注公号&知乎：汀丶人工智能；会供给一些相关的资源和优质文章，免费获取阅读。
