1. 首页
  2. 金融百科

怎么建立股票模型_使用LSTMRNN建立股票预测模型

使用LstMRNN建立股票预测模型

加入Dense层将其维度聚合为1,激活函数使用relu,损失函数定为交叉熵函数。之前也使用过传统的sigmoid作为激活函数,但经实验感觉效果不如relu。input_shape=(window_len,7),data_dim)3model。add(Dropout(0。2))4model。add(Dense(1))5model。add(Activation('relu'))6model。compile(loss='binary_crossentropy',optimizer='rmsprop',使用之前获得的数百个训练样本展开训练,并保存模型。1hist=model。fit(trainX,trainY,batch_size=1,trainY,date))#HDF5保存模型5else:6os。mkdir('。model' file_name[:-5])7model。save('。model' file_name[:-5] 'model_%s_%s。h5'%(window_len,

使用LSTMRNN建立股票预测模型

设定初始资金两万元,在预测三天后会上涨时买入,预测三天后会下跌时卖出,均以收盘价为交易价格,买入时扣除万分之2。5的佣金。收益曲线如下,蓝色线条代表按模型进行交易的收益,绿色线条代表一直持有股票的收益。可以看出,模型的预测效果还是不错的。尤其是开始的20多个点,能够较为准确的避开一波回调下跌。但我也知道,对模型进行验证的样本数量还是太少,又过了一个月,在额外收集了20个交易日的数据之后,我又对该样本进行了测试。预测误差:由上图可以看出,倒数20个交易日的这一波大涨幅,模型并没有能够预测到。收益曲线:从上图可以看出,在紫色方框圈出来的地方,模型多次预测会有一波涨幅,但紧跟着又立马预测股价要跌,对股票进行了抛售,错过了这两次大涨的机会;在黄色方框圈出的地方,模型两次在顶点做出了准确的预测,精准抛售,

使用LSTMRNN建立股票预测模型

date))四。效果展示最初的时候,我对所有的股票的训练样本堆叠到一起,训练出一个大模型(貌似当时有9万多个训练样本,整整训练了一天=,=),之后对每个股票都进行预测,企图找出次日涨幅最高的前5支股票。后来发现根本做不到……每支股票的操作规律都不一样,使用单个模型无法有效的把握个股的涨跌趋势。之后,我单独选了中国软件这个股票(这个票看起来像庄家主导的那种),对它单独进行分析。使用了一年半的交易数据作为训练集,共有293个训练样本,训练140个epoch。最后训练出模型对测试集中的60个测试样本进行验证。预测误差如下图。其中前40个是训练集中的样本,我们使用其输入部分进行预测,我对其预测效果还是比较满意的,大跌、大涨基本都有预测到,除了第67到第75个点那一波大跌预测的不好。随后我使用模型进行模拟交易,

使用LSTMRNN建立股票预测模型

小单净流入,涨跌幅,最高涨幅,最高跌幅,换手率,股价。股价在这里的用处是拼接训练样本输出时,计算多日的总涨跌幅。注:在对源数据进行处理的时候,经常会遇到空值问题:即,有些特征值为0的时候,系统给出的源数据为”-”或”“。需要进行特殊处理。(经常遇见新股第一天的涨跌幅为空,或某交易日大单净流入为空。)1iffin_temp。ix[day,12]=='-'orfin_temp。ix[day,12]=='':#新股的涨跌幅一栏会出现'','-',12])二。训练样本拼接首先设置一个滑动窗口,本次实验中将滑动窗口设置为50个交易日。每一个训练样本由50个连续的交易日组成,每个交易日的数据包含上述的七个特征,即一个50*7的矩阵,而一个样本的输出则是三个交易日之后的收盘价对比今日(即样本的输入中最后一个交易日)收盘价的涨跌幅,

使用LSTMRNN建立股票预测模型

存在着内容虚假,夸大宣传的可能性。一旦分析模型错用了某条谣言或真实性不高的新闻,很有可能得出错误的预测结果。3。语言的歧义性:一条新闻,其正面性负面性往往存在着多种解读。这条新闻一般意义上可以解读为:中央政府深入推进改革,精兵简政,大力发展国防军工事业。这是一种正面性的解读。而在使用机器学习模型时,很有可能会判定其与“去年五大行裁员近3万”这种新闻具有较高的相似度,因而将其划分为负面新闻。4。技术实现较为繁杂:这其实是一个非常重要的原因啦~,获取正确的信息并进行NLP操作,往往需要经过以下流程:其中的每一步都非常麻烦耗时,而且对于个股来说,并不是每天都会有新闻出现。上面说了这么多,还没有开始对我这个预测模型进行介绍,下面开始进入正题。在决定排除消息面的考量之后,我开始思考股价涨跌的本质,我认为股价就是资金博弈结果的体现。

本文来自投稿,不代表本人立场,如若转载,请注明出处:http://www.admiralmarkets.net.cn/jrbk/119750.html