论文 | 深度学习股票预测

普通最小二乘法回归 - OLS (ordinary least square) 前言 这篇博客用来记录初学 普通最小二乘回归 遇到的相关知识点和解决问题的过程。 开发环境:Python 2.7 IDLE 普通最小二乘法回归 回归 - 已有数据 数据集:Cal_housing.csv 简 介:从 1990 年至今,美国加州所有街区人口普查的信息,关于 9 组变量,共 20640 个观测值。 Variables Bols tols ... 阅读详情

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai


论文链接:Deep learning networks for stock market analysis and prediction

摘要

作者考虑了两个主要问题:

  • 仅使用日内市场数据预测日内股票回报;
  • 使用预测的股票收益预测协方差矩阵;

数据集

数据集由来自韩国 KOSPI 的38种股票组成,每5分钟取样一次。数据收集的日期范围是 2010-01-04 至 2014-12-30 。首先将 80% 的样本(2010-01-04 至 2013-12-24)用于训练。在每个时间戳,该算法访问每个数据的最后 10 个对数收益。对数收益计算公式为 r t = l n ( S t / S t − Δ t ) r_{t} = ln(S_{t} / S_{t - \Delta t}) rt​=ln(St​/St−Δt​) ,其中 S t S_{t} St​ 是股票在 t 时刻的价格, Δ t \Delta t Δt 表示 5 分钟。该样本包含每个股票的总共 1239 个交易日和 73041 个五分钟的回报。

数据预处理

作者探索了各种预处理技术。预处理数据在预测阶段被输入到神经网络。

  • RawData:没有预处理,38*10 大小的矢量数据;
  • PC200:输出维度为 200 的 PCA;
  • PC380:输出维度为 380 的PCA;
  • AE400:输出维度为 400 的稀疏自动编码器;
  • AE800:输出维度为 800 的稀疏自动编码器;
日内股票收益预测方法

将具有 2 个隐藏层的神经网络与具有 10 个滞后变量的单变量自回归模型进行比较。隐藏层的大小分别为 200 和 100。由于这是一个回归模型,最终输出是一个标量。

h 1 = R e L U ( W 1 u t + b 1 ) h_{1} = ReLU(W_{1}u_t+b_1) h1​=ReLU(W1​ut​+b1​)

h 2 = R e L U ( W 2 h 1 + b 2 ) h_2=ReLU(W_2h_1+b_2) h2​=ReLU(W2​h1​+b2​)

r ^ i , t + 1 = W 3 h 2 + b 3 \hat r_{i,t+1} = W_{3}h_2+b_3 r^i,t+1​=W3​h2​+b3​

股票回报结果

MethodNMSE
AR(10)0.9655
ANN (RawData)0.9937
DNN (RawData)0.9629
DNN (PCA380)0.9660
DNN (RBM400)0.9702
DNN (AE400)0.9638

NMSE 是归一化的均方误差,定义为:

N M S E = 1 N ∑ n = 1 N ( r t + 1 n − r ^ t + 1 n ) 2 v a r ( r t + 1 n ) NMSE = \frac{1}{N} \frac{\sum^{N}_{n=1}(r^{n}_{t+1}-\hat r^{n}_{t+1})^2}{var(r^{n}_{t+1})} NMSE=N1​var(rt+1n​)∑n=1N​(rt+1n​−r^t+1n​)2​

其中,var 表示方差。

总结

结果肯定有点令人沮丧,但是,这也并不奇怪。我自己对A股日内数据做实验的时候,也有类似结果。较高频率的日内数据的根本问题是数据中内置的大量噪声。通过使用神经网络简单的增加模型容量并不能解决这个问题。

Deep learning networks for stock market analysis and prediction_ Methodology Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies 立即下载

相关推荐

Deep Learning Networks for Stock Market Analysis and Prediction

Deep Learning Networks for Stock Market Analysis and Prediction: Methodology, Data Representations, and Case Studies

归一化均方误差(NMSE)

归一化均方误差的值越小,说明预测值与实际值之间的差距越小,模型的性能越好。NMSE的一个优点是它不受量纲的影响,因此适用于不同量级的数据之间的比较。此外,当分母使用实际值的方差时,NMSE实际上反映了预测误差相对于数据本身变异性的大小。归一化均方误差(Normalized Mean Square Error, NMSE)是衡量预测值和实际值之间差异的一种方法,通常用于评估模型的性能。NMSE通过对均方误差(MSE)进行归一化处理,使得不同规模数据集之间的误差可以相互比较。

qq_58373762的博客 1万+

Power BI常见问题篇1:无法打开文档

Power BI常见问题篇1:无法打开文档

weixin_48273257的博客 3309

《计量经济学》复习重点(敲黑板~)

【n】不用理会,是我自己的书的页数,可能会有不同哈!逢考必过!冲冲冲! 导论 1. 计量经济学研究步骤【8】 模型设定——确定变量和数学关系式 一个完整的计量经济模型包括:经济变量、待确定参数、随机扰动项(核心) 估计参数——分析变量间的数量关系 模型检验——检验所得结论的可靠性 经济意义检验 统计推断检验 计量经济学检验 模型预测检验 模型应用——作经济分析和经济预测 经济结构分析 经济预测 政策评价 检验与发展经济理论 2. 变量【13】 解释变量X和被解释变量Y 内生

weixin_45012798的博客 2万+

告别“静态组件”:Adobe XD的堆栈+状态,打造“活”的响应式UI

今天,我想分享一套能彻底告别这种“笨方法”的、Adobe XD中的进阶技巧,通过组合使用“堆栈”、“内边距”和“组件状态”,去构建一个能自动适应内容、真正“活”起来的智能响应式组件。

Kingsdesigner的博客 764

Verilog使用inout信号的方法

在FPGA的设计过程中,有时候会遇到双向信号(既能作为输出,也能作为输入的信号叫双向信号)。比如,IIC总线中的SDA信号就是一个双向信号,QSPI Flash的四线操作的时候四根信号线均为双向信号。在Verilog中用关键字inout定义双向信号,这里总结一下双向信号的处理方法。  实际上,双向信号的本质是由一个三态门组成的,三态门...

qq_41687938的博客 1万+

最经典的回归模型参数估计算法—最小二乘

文章目录写在前面收获参考文献 写在前面 写了好几个关于梯度下降的pyhton脚本,里面都提到了最小二乘法,但是我对最小二乘法不太了解。下面是我找的2篇写的比较好的博客。 收获 读了这2篇博客,我知道L2范数(欧几里得范数)是怎么来的,为什么要用L2范数。真是豁然开朗。 参考文献 最经典的回归模型参数估计算法—最小二乘 Ordinary Least Square(OLS) 普通最小二乘 ...

weixin_43755104的博客 1822

WorkBuddy任务对话上下文管理:Token、compact与上下文窗口实战指南

在大语言模型应用中,Token作为文本处理的最小单位,直接决定上下文窗口的消耗速度,而上下文窗口则限定了单次对话可承载的信息总量。当对话超出窗口限制时,compact压缩机制会触发有损摘要,导致关键约束丢失或工具调用结果被稀释。合理管理上下文不仅能提升多步骤任务的稳定性,还能显著降低Token成本与响应延迟。在文档处理、代码开发、多步自动化等场景中,通过主动压缩、状态外置、分段喂入等策略,可有效避免任务后期遗忘、版本混乱等问题。本文围绕WorkBuddy的上下文管理机制,从Token与compact的底层原

weixin_29055699的博客 396

系统辨识char3_3——递推最小二乘辨识程序

程序: clear all close all clc %产生N(0,1)正态分布的随机噪声 randn('seed',100); v=randn(1,60); %产生M序列 L=60;% M序列的周期 y1=1;y2=1;y3=1;y4=0;%四个移位积存器的输出初始值 for i=1:L; x1=xor(y3,y4); x2=y1; x3=y2; x4=y3; y

小凡的专栏 6020

STM32F407ZGT6开发板跑马灯实战:从原理图到烧录全流程(附FlyMcu配置)

本文以正点原子F4探索者开发板(STM32F407ZGT6)为例,手把手指导完成跑马灯实验。内容涵盖从原理图解读、GPIO驱动逻辑分析、HAL库工程搭建,到代码编写与FlyMcu串口烧录配置的全流程,帮助嵌入式开发新手快速实现第一个LED控制程序,打通软硬件开发链路。

weixin_29183637的博客 223

【大模型】百度千帆大模型对接LangChain使用详解

百度千帆大模型对接LangChain使用详解

congge 5067

基于深度学习LSTM的股票收盘价预测论文详细教程

基于深度学习LSTM的股票收盘价预测论文详细教程 去发现同类优质开源项目:https://gitcode.com/ 本文档为一份关于使用深度学习LSTM模型进行股票收盘价预测的详细教程。教程中,我们将深入探讨如何构建、训练以及评估LSTM模型,以实现对股票市场收盘价的准确预测。 概述 本教程主要包含以下几个部分: LSTM简介:介绍LSTM(长短期记忆网络)的原理及其在时间序列预测中的应用。 数...

gitblog_06728的博客 1002

异步处理优化:多线程线程池与消息队列的选择与应用

本文讨论了两种常见的异步处理方式:多线程线程池和消息队列(MQ)。通过将非核心逻辑异步化,可以提升系统的性能和响应速度。多线程线程池适用于本地并发任务,适合需要快速响应的场景,但无法处理跨服务任务。消息队列则适用于分布式系统,能够解耦服务并保证任务的可靠性和顺序性,适合处理高并发和高可靠性要求的任务。文章提供了实际代码示例,帮助开发者根据业务需求选择合适的异步处理方式。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 170万+

基于深度学习的事件驱动型股票预测[论文研读笔记]

Deep Learning for Event-Driven Stock Prediction [Xiao Ding, Yue Zhang, Ting Liu, Junwen Duan] 2015, IJCAI 论文链接:http://www.ijcai.org/Proceedings/15/Papers/329.pdf 前导论文:使用结构化的事件来预测股价运动(http://www.cnb...

weixin_30367873的博客 1016

IgH EtherCAT 从入门到精通:第 5 章 多主站与系统集成配置

本文介绍了 EtherCAT 多主站配置与系统集成方法。主要内容包括: 多主站实例配置原理:通过内核模块参数指定多个主站设备,每个主站独立管理一条 EtherCAT 总线,最多支持32个主站实例。 配置文件详解:在/etc/ethercat.conf中通过MASTER<X>_DEVICE变量定义各主站绑定的网卡或MAC地址,支持冗余备份配置。 系统服务集成:提供了systemd服务单元文件和传统init.d脚本两种方式实现开机自启动和管理,并建议通过override文件定制服务依赖关系。 架构示

从事嵌入式linux android驱动开发,拥有全栈能力 356

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

9篇论文速览股票预测高分经典方案

作为一直以来的烫门,股票预测因其非线性、高度波动性和复杂性等原因,成为了金融量化领域的一大难题。以往的解决方案主要围绕机器学习展开,如今,基于深度学习的股票预测方法有了许多新的突破。全部论文资料文末获取。

学姐带你玩AI的博客 1635

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

机器学习算法实战——股票预测(主页有源码)

提供全球各大股票市场的历史数据,包括开盘价、收盘价、最高价、最低价、成交量等。Quandl:提供丰富的金融和经济数据,包括股票、期货、外汇等。:提供全球股票、外汇、加密货币的历史数据和实时数据。股票预测作为金融领域中的一个重要课题,不仅具有学术研究价值,还在投资、风险管理等领域发挥着重要作用。随着机器学习技术的不断发展,股票预测的准确率和效率将进一步提升,为未来的研究和应用带来更多可能性。希望本文能为读者提供一些有价值的参考,并激发更多人对这一领域的兴趣。

m0_65481401的博客 2684

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

基于大数据+Hadoop+深度学习的股票预测系统设计与开发(源码+精品论文+答辩PPT等资料)

请文末卡片dd我获取更详细的演示视频。

chengyang_java的博客 149

深度学习:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

深度学习:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

vx_biyesheji0002的博客 1143

毕业设计:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

毕业设计:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

公众号:源码之屋,十多年程序猿资深互联网人,目前专注于Python/Java/大数据项目解决方案制定,提供各行业各编程语言的全套开发服务,喜爱code,喜爱分享,生命不止,编码不息! 2971

大数据:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

大数据:Python股票数据分析与预测系统 LSTM神经网络算法 股票价格预测 Tensorflow深度学习 机器学习 Flask框架 东方财富(源码+论文)✅

q_3375686806的博客 1746

Financial Analysis: Stock Market Prediction Using Deep Learning Algorithms

论文题目:Financial Analysis: Stock Market Prediction Using Deep Learning Algorithms 论文核心思想:本篇论文主要比较了Back propogation,SVM,LSTM在预测股票趋势时的效果,最后得出结论LSTM在预测走势时的结果较好,,,,这个paper太水了。。 转载于:https://www.cnblogs.com/...

weixin_30563917的博客 439

基于大数据Hadoop+网络爬虫+数据可视化+深度学习预测算法森林股票预测系统设计与实现(精品源码+精品论文+上万数据集+答辩PPT)

全球金融市场的复杂性与不确定性日益加剧,股票价格受到宏观经济、公司财报、市场情绪及突发事件等多维度海量信息的综合影响。传统的股票分析工具多依赖于历史技术指标和基本面分析,难以高效处理并融合互联网上实时产生的新闻、舆情、论坛讨论等非结构化数据,导致分析视角局限、预测精度有限,无法满足现代投资者对高时效性、高准确性决策支持的迫切需求。在此背景下,设计与实现一个融合大数据与人工智能技术的智能股票预测系统具有重大意义。

java李阳勇的博客 6836

计算机毕业设计Python深度学习股票行情分析预测 量化交易分析 大数据毕业设计(源码+LW文档+PPT+讲解)

计算机毕业设计Python深度学习股票行情分析预测 量化交易分析 大数据毕业设计(源码+LW文档+PPT+讲解)

全网计算机/大数据辅导(自媒体)道祖第一人、全网粉丝100W+,专注于大学生项目实战开发,讲解,毕业答疑辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。同时招收学生代理、校园代理。 1042

基于大数据网络爬虫Hadoop+数据可视化+深度学习预测算法森林股票预测系统设计与实现(精品源码+精品论文+上万数据集+答辩PPT)

全球金融市场的复杂性与不确定性日益加剧,股票价格受到宏观经济、公司财报、市场情绪及突发事件等多维度海量信息的综合影响。传统的股票分析工具多依赖于历史技术指标和基本面分析,难以高效处理并融合互联网上实时产生的新闻、舆情、论坛讨论等非结构化数据,导致分析视角局限、预测精度有限,无法满足现代投资者对高时效性、高准确性决策支持的迫切需求。在此背景下,设计与实现一个融合大数据与人工智能技术的智能股票预测系统具有重大意义。

chengyang_java的博客 1023
上一篇: docker系列学习(五):总结
下一篇: 机器学习用于日内股票预测
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值