机器学习用于日内股票预测

机器学习实战 | 股票价格预测项目(深度学习初级) 准备写个系列博客介绍机器学习实战中的部分公开项目。首先从初级项目开始。本文为初级项目第三篇:利用MNIST数据集训练手写数字分类。。机器学习实战 | emojify 使用Python创建自己的表情符号(深度学习初级)机器学习实战 | MNIST手写数字分类项目(深度学习初级) 阅读详情

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

对于股票价格的预测对于大多数交易员来说都是非常重要的。人们多年来一直在使用各种预测技术。我们将探索这些技术以及最近流行的算法,比如神经网络。在这篇文章中,我们将专注于对源自市场数据的特征应用到线性模型。

问题定义

首先我们来定义一下我们的问题,我们想要解决的问题是去预测证券的价格变化(或者回报)。

在这里插入图片描述

在上图中的每个点,我们想要在 1 分钟后预测其价格。让我们看看上图中的各个点 —— 这里有超过 200000 个数据点,但我们只能看到一部分内容。

Timestamp (EST)Current PricePrice after 1 minPrice Difference
09:30:01.500000153.905154.030.125
09:30:01.525000153.905154.030.125
09:30:01.550000153.905154.030.125
09:30:01.575000153.905154.030.125
09:30:01.600000153.9154.030.13
09:30:01.625000153.9154.030.13
09:30:01.650000153.905154.0350.13
09:30:01.675000153.905154.0350.13
09:30:01.700000153.905154.0350.13
09:30:01.725000153.905154.0350.13

我们可以看到 AAPL 价格再接下来的 1 分钟里应该上涨了 0.13 美元。我们想建立一个回归算法来预测这个价格差异。当然,不言而喻,这是一个难以置信的难题。即使是轻微的成功也可以获得巨大的利润。

请注意,预测回报率通常会比预测价格变动会更有效。比如,对于一只 100 元的股票,0.5 的价格变动对他本身来说不是很大。但是如果是一只 10 元的股票,0.5 的价格变动对他本身来说是很大的。

数据预处理

股票价格会受到众多因素的影响。以下是其中一些因素:

  • 市场流动性。供需是影响大多数股票日常价格变动的最关键因素。如果你决定花巨款去投资一家公司,那么它们的股票流动性肯定受到影响,这时候不可避免的就会提高股价。
  • 舆情系统。有名的特朗普的推特治国。他说的很多东西都会影响到股价的波动。有很多的学术研究就来做新闻/博客/推文对股票价格的影响。
  • 全球事件对股票价格的影响。比如最近的 G20 峰会,英国退欧等等。

上述因素的影响跨越不同的时间范围。例如,特定股票的新闻通常会影响未来 1-3 天的价格。全球事件的影响可能会有数周。在这篇文章中,我们只会使用从市场数据中得出的特征来预测下一个 1 分钟的价格变化。

特征

特征集可大致分为两类:描述当前市场波动的特征和描述历史市场波动的特征。

  • 买价,卖价
  • 中间价(买入价和卖出价的平均值)
  • 买卖价差
  • 移动平均价格
  • 1分钟,5分钟等等的买价和卖价

我们暂时会跳过这些功能的数学细节。但请注意,这些功能试图捕捉当前的市场状况以及最近的过去。

规范化

上述特征的原始值具有非常不同的尺度。虽然 AAPL 的价格一天可以在 153 到 155 之间,但是过去 5 分钟的数量可以在 100 到 1000000 之间。由于大多数学习算法在输入特征的比率相似事效果最好。这就是规范化步骤至关重要的原因。我尝试了一些自定义缩放技术,但发现 scikit-learn 的 RobustScaler 工作非常好。

线性模型

让我们首先来尝试一下在这个数据集上的简单线性模型。

普通最小二乘回归

在这里插入图片描述

设 x 是实值特征向量,y 是我们想要预测的实数值。θ\thetaθ 是我们想要学习的模型参数。

h(x)=∑i=0nθixi=θTxh(x) = \sum^{n}_{i=0} \theta_{i}x_{i} = \theta^{T}xh(x)=∑i=0n​θi​xi​=θTx

普通最小二乘回归试图最小化以下损失函数:

J(θ)=12m∑i=1m(h(xi)−yi)2J(\theta) = \frac{1}{2m}\sum^{m}_{i=1}(h(x^{i}) - y^{i})^{2}J(θ)=2m1​∑i=1m​(h(xi)−yi)2

线性模型我们采用 scikit-learn 中的模型,但是根据下面的实验结果,这个模型已经过拟合!

InSampleOutSample
MSE0.00024243997.8
MAE0.01184151.201
Original Stdev0.01590.0202
Predicted Stdev0.0108179.11

在上表中,MSE 指的是均方误差,MAE 指的是平均绝对误差。Insample 是指训练数据,Outsample 是指测试数据。即 Outsample 上的 MAE 表示测试数据集上的平均绝对误差。

预测值的标准偏差具有有用的信息。盘中价格变化的平均值通常接近于 0 。这个数据集有很多噪音而且信号不多。这两者的组合使得对于任何 x 的预测都会接近于 0 。但是,输出 0 的模型绝对没有价值。我们需要可用于交易或者执行的固定模型。因此,需要将预测值 h(x) 的标准偏差与 y 的标准偏差进行比较。

L2 正则化

对误差项添加权重惩罚是正则化的一种简单方法。这有助于稳定训练,模型通常更易于推广。我做的下一个实验是岭回归模型(L2 正则化),并且检查一下性能。

J(θ)=12m∑i=1m(h(xi)−yi)2+α∣∣θ∣∣22J(\theta) = \frac{1}{2m}\sum^{m}_{i=1}(h(x^{i}) - y^{i})^{2} +\alpha ||\theta||^{2}_{2}J(θ)=2m1​∑i=1m​(h(xi)−yi)2+α∣∣θ∣∣22​

我们采用 ElasticNet 模型来进行训练,具体参数为 l1_ratio = 0, alphas=[1e-3,1e-4,1e-5], fit_intercept=False 。

InSampleOutSample
MSE0.0002190.000557
MAE0.011010.01722
Original Stdev0.01590.0202
Predicted Stdev0.00500.0121

我们可以看到 Outsample 的结果比线性回归模型要好很多。Outsample 的 0.01722 的平均绝对误差在我看来非常好。虽然预测值的标准偏差略小,但它仍然与 y 的标准偏差相同。

L1 正则化

另一种选择是在损失函数中添加 L1 正则化。这也叫做 Lasso。

J(θ)=12m∑i=1m(h(xi)−yi)2+β∣∣θ∣∣J(\theta) = \frac{1}{2m}\sum^{m}_{i=1}(h(x^{i}) - y^{i})^{2} +\beta ||\theta||J(θ)=2m1​∑i=1m​(h(xi)−yi)2+β∣∣θ∣∣

我们采用 ElasticNet 模型来进行训练,具体参数为 l1_ratio = 1, alphas=[1e-3,1e-4,1e-5], fit_intercept=False 。

InSampleOutSample
MSE0.0002440.000412
MAE0.011130.01313
Original Stdev0.01590.0202
Predicted Stdev0.00200.0018

Outsample 的 MAE 比 L2正则化好很多。但是,标准偏差非常低。

L1 + L2 正则化

我们还可以在损失函数中同时添加 L1 和 L2 正则化。

J(θ)=12m∑i=1m(h(xi)−yi)2+α∣∣θ∣∣22+β∣∣θ∣∣J(\theta) = \frac{1}{2m}\sum^{m}_{i=1}(h(x^{i}) - y^{i})^{2} +\alpha ||\theta||^{2}_{2} + \beta||\theta||J(θ)=2m1​∑i=1m​(h(xi)−yi)2+α∣∣θ∣∣22​+β∣∣θ∣∣

我们采用 ElasticNet 模型来进行训练,具体参数为 l1_ratio = 0.1, alphas=[1e-3,1e-4,1e-5], fit_intercept=False 。

InSampleOutSample
MSE0.0002440.000412
MAE0.011140.01311
Original Stdev0.01590.0202
Predicted Stdev0.00200.0017

这个结果跟 Lasso 差不多。

线性模型的其它实验
  • 我使用了可用于上述结果的所有数据,本来希望从更多的数据中找到某种规律。但是结果却是啥都没找到,有些结果还不如上面的结果。
  • 特征选择策略并没有真正增加任何价值,有时候,还会使得结果倒退。因为,你根本不知道啥特征是真正有用的。
  • 使用 PCA 降维并没有带来显著效果。
  • 合理的对数据进行采样操作时非常有效果的,例如,选择一些特殊行情,一些平缓行情等等。

集成方法

AlgorithmOutSample StdevInSample StdevOutSample MAE
Gradient Boosting0.00750.00380.01583
AdaBoost0.00370.00580.01345
Random Forest0.02360.01490.02638

神经网络

使用具有 hidden_size1 = 100 和 hidden_size2 = 50 的2层前馈神经网络获得以下结果。对网络进行了批量归一化和 dropout ,以减少过度拟合并且改善泛化。

InSampleOutSample
MSE0.0002540.000601
MAE0.011430.01754
Original Stdev0.01590.0202
Predicted Stdev0.00880.0083

建议

由于数据中的噪声非常高,因此通常很难知道模型是否正在执行任何正确操作,使用标准参数集合的模型通常不会起作用。

  • 纯市场数据具有非常有限的预测能力。因此,将线性模型中的所有系数视为 0 并且具有非零截距是非常常见的。总是建议在线性模型中将截距设置为 0。

  • 可以通过添加一些约束条件来泛化模型。

  • Outsample 的分布是不可预测的,分布在几天内可能就会发生显著变化。

机器学习之股票分析 之前朋友参加比赛,想用python做一个全美所有股票的涨幅走势分析,今天我就用分析苹果股票的例子手把手的教大家上手练习苹果股票涨跌图的绘制,至于更专业一点的,还是交给金融方面的大牛来分析吧,我实在看不懂股票~ 还是像之前一样,我们得把机器学习的库引入进jupyter,不得不说jupyter是真心好用,敲一行代码,就能看到一行结果,以至于后面不会忘记每个变量的属性,真是居家旅行必备神器。 i... 阅读详情

相关推荐

机器学习在股票交易策略方面的应用

传统的股票交易策略主要依赖于投资者的经验和直觉,但这种方法往往存在局限性,如过度依赖历史数据、容易受到心理因素的影响等。通过使用机器学习算法,可以有效地处理大量的数据,发现潜在的交易机会,从而提高投资决策的准确性和效率。通过使用机器学习算法,可以有效地处理大量的数据,发现潜在的交易机会,从而提高投资决策的准确性和效率。机器学习是一种人工智能技术,通过让计算机自动学习数据中的模式和规律,从而实现对未知数据的预测和决策。通过分析多只股票的历史价格和收益率数据,可以使用机器学习模型来评估股票的投资价值和风险。

diqiuyi416的博客 1045

TowardsDataScience 博客中文翻译 2016~2018(二百六十六)

单元测试是一种测试代码片段的方法,以确保事情按预期运行。Python 中的库允许您用模拟对象替换部分代码,并断言它们是如何被使用的。“模拟”是一个顾名思义的对象——它模拟代码中对象/变量的属性。将最先进的机器学习功能放入Docker 容器中,这样像您这样的开发人员就可以轻松地将自然语言处理、面部检测、对象识别等功能融入其中。到您自己的应用程序中。盒子是为扩展而建造的,所以当你的应用真正起飞时,只需水平地添加更多的盒子,直到无限远甚至更远。哦,它比任何云服务都要便宜可能更好)……而且。

龙哥盟 2287

经典的股票量化交易策略(含源码)

1.多因子选股(股票) 多因子模型是一类重要的选股模型,它的优点是能够综合很多信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定,因为在不同的市场情况下,总有一些因子会发挥作用。因此,在量化投资中,不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别一是在因子的选取上,二是在如何用多因子综合得到一个最终的判断。一般而言,多因子选股模型有两种判断方法,一是打分法,二是回归法。 多因子选股策略源码:https://www.myquant.cn/docs/python_stra

量化交易研究 1万+

一文看懂算法交易(三)T0算法

终于讲到大家都想关注的算法,就是日内T0算法,其实这个小编很早就讲了很多T0算法交易,今天就当作是一个汇总整理,给大家一个明细。毕竟这是一个算法连载,我们总得连上。之前没懂没看到的朋友,今天又规整了。简单来说,就是基于用户原有的股票持仓,针对同一标的,配合智能T0算法,每天全自动操作,,抓取行情波动价差。主要应用于股票市场中。该策略的核心思想是将。

jiucaixiuyang的博客 4066

【数据挖掘】LSTM和RandomForest对于股票市场的预测

在本篇中,我将为大家分析股票市场的交易策略,如何通过机器学习分析股票市场数据,制定交易策略。我将从技术层面结合业内常识对数据进行数据挖掘。我将使用pandas_datareader来导入我们的数据,这将使我们能够访问几个股票数据的来源,包括雅虎,谷歌。接下来,开启我们的数据挖掘过程吧。从整个过程探索股票市场的交易策略。原始数据的预处理取决于数据和用例需求。然而,每种类型的数据都有特定的标准预处理技术。

qq_43018832的博客 3904

基于AI的增强型日内成交量比率概率预测在美股市场中的表现优于现有的基准

本文介绍了一种创新的金融市场成交量比预测技术,特别适用于VWAP(成交量加权平均价格)策略的执行。研究中采用了Transformer模型来预测每分钟级别的日内成交量比例,并通过对数正态变换处理以稳定高波动性的数据。为了增强预测精度,输入的数据集涵盖了成交量统计特征、外部与成交量有关的因素、绝对时间标记以及个股属性。

AI16947的博客 1852

通过多元蒙特卡罗模拟来预测股票价格的日内波动性

日内价格波动对交易策略的重要性不言而喻,尤其是美跨式交易策略(The American straddle)。由于无法预测所有影响股价的因素,本文采用多元蒙特卡罗模拟来测试不同的价格路径,以评估交易策略的成功概率。文章介绍了如何使用多元蒙特卡罗模拟分析 UBER 股票的开盘、最高、最低和收盘价(OHLC),并预测未来 n 天的R日内价格走势。

weixin_70955880的博客 1863

python交易策略源码_经典的股票量化交易策略(含源码)

1.多因子选股(股票)多因子模型是一类重要的选股模型,它的优点是能够综合很多信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定,因为在不同的市场情况下,总有一些因子会发挥作用。因此,在量化投资中,不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别一是在因子的选取上,二是在如何用多因子综合得到一个最终的判断。一般而言,多因子选股模型有两种判断方法,一是打分法,二是回...

weixin_39987120的博客 6082

基于VAE、Transformer和LSTM的模型框架用于股票价格预测

本文提出了一种先进的集成深度学习框架用于股票价格预测,结合了变分自编码器(VAE)、变换器(Transformer)和长短期记忆网络(LSTM)。框架旨在利用各模型的优势,识别股票价格波动中的线性和非线性关系。通过丰富的技术指标和市场情况调整预测器,提高预测准确性。在多个股票数据集上测试,集成方法表现出高准确性和可靠性。VAE擅长高维数据的线性表示,Transformer识别长期模式,LSTM处理序列数据,增强时间动态性。该解决方案在算法交易、风险分析和金融决策中具有重要应用。

2401_84494441的博客 1806

Python机器学习实战:使用机器学习预测股票市场走势

预测股票市场的走势一直是金融界的热门话题。股市的波动性高且受到众多因素的影响,如经济指标、公司业绩、政治事件等,这使得预测变得异常复杂。传统的技术分析和基本分析方法虽然有其局限性,但在大数据时代,机器学习为预测股票市场提供了一种更为精确和自动化的途径。在本节中,我们将介绍LSTM网络的基本原理及其在股票市场预测中的应用。LSTM网络是一种特殊的循环神经网络(RNN),能够处理序列数据中的长期依赖问题。LSTM通过遗忘门、输入门和输出门来控制信息的流动,从而在学习过程中保持有用的信息而丢弃不再有用的信息。

AI架构师小马 2453

使用机器学习进行股票价格预测案例

我们首先获取了股票数据,然后对数据进行预处理和准备,接着构建了LSTM模型并进行了训练,最后使用训练好的模型进行了预测。我们将使用一个具体的机器学习模型来构建我们的预测系统,并使用真实的股票数据进行训练和测试。接下来,我们将使用机器学习模型来预测股票价格。在本案例中,我们将使用一个基于时间序列的模型,即长短期记忆网络(LSTM)。获取到的数据将存储在一个pandas DataFrame中,我们可以使用该数据进行后续的预测建模。上述代码将使用训练好的模型对测试集进行预测,并将预测结果反归一化为原始价格。

VnReact的博客 600

神经网络用于日内股票预测

作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 上一篇我们研究了用一些线性模型来做股票回报预测,在这篇文章中,我们将专注于将神经网络应用于市场,从而来获得回报。 前馈神经网络 我们的目标是预测接下来 5 分钟内股票的价格变化。我们可以使用简单的前馈神经网络(FNN)。FNN的损失函数保持不变。损失函数与我们在上一篇文章中的线性回归部分中看到的相同。...

CoderPai的博客 3110

数据挖掘实战-基于SARIMA时间序列模型预测Netflix股票未来趋势

该数据集对 Netflix 过去十年的股票表现进行了深入分析,并结合了众多技术指标来检查其价格波动。它包括记录日期和一些重要统计数据:每个交易日的开盘价、最高价、最低价和收盘价,以及交易量。它还包含 7 天和 14 天相对强度指数 (RSI) 等动量指标,以确定股票是否超买或超卖。还包括 7 天和 14 天的商品通道指数 (CCI),通过将当前价格与历史平均值进行比较,帮助识别短期和中期市场趋势。

m0_64336780的博客 1万+

如何通过Python构建日内波动率预测模型?

在金融市场中,波动率是衡量资产价格变动幅度的关键指标。日内波动率预测对于交易者和风险管理者来说尤为重要,因为它可以帮助他们做出更明智的投资决策和风险管理策略。本文将详细介绍如何使用Python构建一个日内波动率预测模型,包括数据预处理、特征工程、模型选择和评估等关键步骤。

wencaitouzi的博客 868

通过arcmap制作的第一张流域图

需要知道,识别河流依次需要填洼,流向,流量,栅格计算器,河流链接,河网分级.通过卫星图确定河流入口,在入口处画一个点,注意不要与其他河流相交。随后是进行对河流的筛选使用con函数,筛选流量大于100的河流。我们使用镶嵌工具-->镶嵌至新栅格 将两个数据合并。填洼后如图,随后进行流向的获得.使用流向工具。首先导入准备好的数据,可见两张图片并非一体。教程参考b站up:爱画地图的boney。惊醒栅格河网矢量化,进行河流分级。输入表面栅格数据,等待后如图。本次制作的是双峰县的流域图。输入流向数据,输出后如图。

pianmian1的博客 2232

2d游戏地图编辑器_[U3D]基于MarchingCubes实现的War3Editor 地表/悬崖编辑器

花了几天时间研究清楚Marching cubes后,发现这个方法是一个非常适用于地图编辑,网格编辑,procedural 生成的工具。最大的优点有着较好的边缘,表面处理。然后我用U3D写了一个悬崖/地表的编辑器。其中使用到了Marching Cubes的2.5D,2D两种降维的方法。talk is cheap,让我看效果!DemoEditor展示https://www.zhihu.com/vide...

weixin_42504649的博客 1179

【亲测免费】 探索股市脉搏:基于LSTM与随机森林的日内交易预测工具

探索股市脉搏:基于LSTM与随机森林的日内交易预测工具 在金融市场的浩瀚数据中,预测股票价格走势一直是一个充满挑战的任务,但对于追求高效投资策略的交易者而言,这亦是金矿所在。今天,我们为您带来一项革新性的开源项目——《利用LSTM和随机森林预测股票日内价格走势》,这是一项由Pushpendu Ghosh等学者研究并发布于《Finance Research Letters》的杰出工作。 项目介绍 该...

gitblog_00086的博客 682

AGX Orin设计-外围电路设计之一

AGX ORIN是英伟达Jetson系列中算力规格最高端的模组,其高达200TOPS/275TOPS的算力可以为各类场景提供澎湃的算力支持,本篇文章针对AGX ORIN的常规外围电路设计做分析描述。

zhiyuchenkeji的博客 4490

DEMO | AI预测股票短期走势「AI工程论」

关注:决策智能与机器学习,深耕AI脱水干货作者 |Mat Steininger来源| Towards data science前言你有没有听人说过,他们多么希望能回到过去,投资苹果...

九三智能控 2150

蒙特卡洛+概率潮流!基于蒙特卡洛和新能源出力模拟的概率潮流分布程序代码!

最后,导出光照强度、风速、网损和节点电压的概率分布图,并计算了各节点电压和网损的平均值和方差,展示了接入前后的节点电压对比图。在不确定性增加的电力系统中,概率潮流成为含随机因素规划问题的求解前提,可以更加真实地反映电力系统的全面信息。此外,概率潮流还可用于研究风电和光伏发电出力以及电动汽车消耗功率和向电力系统反向供电功率的不确定性对电力系统的影响,发现系统运行中的潜在风险,为系统运行控制提供参考。概率潮流的目的是揭示电网中随机变量对系统的影响,发现电网中的薄弱环节,为规划和调度部门的决策提供有价值的信息。

weixin_48747334的博客 1921

物联网 Mixly-智能楼道灯

一、实验目的及要求 熟悉声音及人体红外传感器用法。 二、实验原理与内容 1.使用声音传感器实现声控灯功能。 2.使用人体红外传感器实现人体检测控制灯功能。 三、实验软硬件环境 硬件:Arduino、LED灯、声音传感器、人体红外传感器 软件:Mixly IDE 四、实验过程(实验步骤、记录、数据、分析) 核心代码截图 声控灯: 人体红外检测灯: 3.实验效果图: (1)、声控灯总线连接: (1)、声控灯声音大于一某个值时灯亮,经过2秒后灯灭: (3)、人体红外检测灯连接总线: (4)、人体红外

qq_43430810的博客 1918

python股票量化交易系统源码_经典的股票量化交易策略(含源码)

1.多因子选股(股票)多因子模型是一类重要的选股模型,它的优点是能够综合很多信息最后得出一个选股结果。多因子模型的表现相对来说也比较稳定,因为在不同的市场情况下,总有一些因子会发挥作用。因此,在量化投资中,不同的投资者和研究者都开发了很多不同的多因子模型。各种多因子模型核心的区别一是在因子的选取上,二是在如何用多因子综合得到一个最终的判断。一般而言,多因子选股模型有两种判断方法,一是打分法,二是回...

weixin_39524147的博客 7599

MATLAB机械臂轨迹规划:在关节空间中生成多项式轨迹以及 jtraj函数(内容超详细讲解)

matlab机器人仿真,关节空间多项式轨迹生成

qq_40969179的博客 1万+

用lstm模型做预测_1-基于LSTM-GA 的股票价格涨跌预测模型

摘要如何准确地进行股票预测一直是量化金融领域的重要问题。长短期记忆细胞神经网络(LSTM)的出现较好地解决了股票预测这类的复杂序列化数据学习的问题。然而前期研究结果表明单一使用该方法仍存在预测不平衡、陷入局部极值导致能力不佳的问题。基于上述问题,文中利用将遗传算法(GA)解决调参问题来保证模型预测的平衡性,由此构建了新型股票预测模型。该模型分为三部分,首先利用 LSTM 网络进行收盘价的预测,再利...

weixin_35802555的博客 4884

EEGnet模型论文讲解(画图详解三种卷积层操作)

我录了一个讲解视频:https://www.bilibili.com/video/BV1si4y1s7g7/ 目录 一、整体介绍 二、梳理激活函数 三、图解三种卷积层 (核心内容) 四、总结 一、整体介绍 EEGnet是为专门一般的脑电图识别任务而设计的通用且紧凑的卷积神经网络。(设计思路借鉴了MobileNet) 下图是EEGnet的整体结构图,只有三个卷积模块,重点是depthwise conv 和separable conv这两个卷积模块。 表格表明了EEGnet的...

Amigo_1997的博客 2万+

1. 迈进 SAP UI5 开发世界的第一步 - Hello World

SAP UI5 是一个用于开发企业级 Web 应用的前端框架,基于 HTML 和 JavaScript. 作为教程的第一步,我们需要了解最基础的 HTML 知识。 请大家在电脑上任意新建一个文件夹,将其命名,比如我取的名称为 Walkthrough. 进入 Walkthrough 文件夹,再新建一个文件夹名叫 01,代表本教程的第一个步骤。 进入 01 文件夹,新建一个 webapp 文件夹。这个名称是 web 应用约定俗成所使用的,大家都倾向于用这个名称,当然你要是想用其他名称也没有问题。......

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 9012
上一篇: 论文 | 深度学习股票预测
下一篇: 神经网络用于日内股票预测
coderpai
博客等级 码龄10年 1082粉丝 469原创
评论 1
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