23、深度学习模型构建与应用：RNN、自编码器与Google BigQuery

深度学习模型构建与应用：RNN、自编码器与Google BigQuery

1. RNN与多变量时间序列分析

1.1 数据集与问题定义

使用道琼斯指数数据集，该数据集来自著名的UCI机器学习库。此股票数据集中，每行包含一周的股票价格记录，以及该股票下周的回报率。以美国银行（BAC）股票为例，利用前一周的记录来预测接下来两周的价格百分比变化。

1.2 数据预处理

• 数据清理 ：使用 clean_dataset() 函数，去除特定数据列中的美元符号，删除缺失值，并重新排列数据列，使目标属性 percent_change_next_weeks_price 成为最后一列。

def clean_dataset(data):
    col = ['open', 'high', 'low', 'close', 'next_weeks_open', 'next_weeks_close']
    data[col] = data[col].replace({'\$': ""}, regex=True)
    data.dropna(inplace=True)
    columns = ['quarter', 'stock', 'open', 'high', 'low', 'close', 'volume',
               'percent_change_price', 'percent_change_volume_over_last_wk',