金融時間序列預(yù)測方法合集：CNN、LSTM、數(shù)學(xué)建模科研適用
金融時間序列預(yù)測方法合集：CNN、LSTM、隨機(jī)森林、ARMA預(yù)測股票價格（適用于時序問題）、相似度計算、各類評判指標(biāo)繪圖（數(shù)學(xué)建?？蒲羞m用）
1.使用CNN模型預(yù)測未來一天的股價漲跌-CNN（卷積神經(jīng)網(wǎng)絡(luò)）
使用CNN模型預(yù)測未來一天的股價漲跌
數(shù)據(jù)介紹
open 開盤價；close 收盤價；high 最高價
low 最低價；volume 交易量；label 漲/跌
訓(xùn)練規(guī)模
特征數(shù)量×5；天數(shù)×5 = 5 × 5
卷積過程
最大池化過程
代碼流程
獲取股票數(shù)據(jù)
數(shù)據(jù)歸一化
數(shù)據(jù)預(yù)處理（劃分成5×5）
數(shù)據(jù)集分割（訓(xùn)練集和測試集）
定義卷積神經(jīng)網(wǎng)絡(luò)
評估預(yù)測模型
模型架構(gòu)
碼源鏈接見文末跳轉(zhuǎn)
文末鏈接跳轉(zhuǎn)
2.基于LSTM預(yù)測股票價格（長短期記憶神經(jīng)網(wǎng)絡(luò)）
基于LSTM預(yù)測股票價格（簡易版）
數(shù)據(jù)集：
滬深300數(shù)據(jù)
數(shù)據(jù)特征：
只選用原始數(shù)據(jù)特征（開盤價、收盤價、最高價、最低價、交易量）
時間窗口：
15天
代碼流程：
讀取數(shù)據(jù)->生成標(biāo)簽(下一天收盤價)->分割數(shù)據(jù)集->LSTM模型預(yù)測->可視化->預(yù)測結(jié)果評估
LSTM網(wǎng)絡(luò)結(jié)構(gòu)：
函數(shù)介紹：
1、generate_label 生成標(biāo)簽（下一天收盤價）
2、generatemodeldata 分割數(shù)據(jù)集
3、evaluate 結(jié)果評估
4、lstm_model LSTM預(yù)測模型
5、main 主函數(shù)（含可視化）
可視化輸出：
訓(xùn)練集測試集擬合效果：
評估指標(biāo)：
1、RMSE：55.93668241713906
2、MAE：44.51361108752264
3、MAPE：1.3418267677320612
4、AMAPE：1.3420384401412058
3.基于隨機(jī)森林預(yù)測股票未來第d+k天相比于第d天的漲/跌Random-Forest（隨機(jī)森林）
基于隨機(jī)森林預(yù)測股票未來第d+k天相比于第d天的漲/跌（簡易版）
參考論文：Predicting the direction of stock market prices using random forest
論文流程：
算法流程：
獲取金融數(shù)據(jù)->指數(shù)平滑->計算技術(shù)指標(biāo)->數(shù)據(jù)歸一化->隨機(jī)森林模型預(yù)測
函數(shù)介紹：
1、getstockdata 通過Tushare獲取原始股票數(shù)據(jù)
2、exponentialsmoothing、emstock_data 股票指數(shù)平滑處理
3、calctechnicalindicators 計算常用的技術(shù)指標(biāo)
4、normalization 數(shù)據(jù)歸一化處理并分割數(shù)據(jù)集
5、randomforestmodel 隨機(jī)森林模型并返回準(zhǔn)確率和特征排名
決策樹：
（1）ID3: 基于信息增益大的數(shù)據(jù)特征劃分層次
（2）C4.5: 基于信息增益比=信息增益/特征熵劃分層次
（3）CART: 基于Gini劃分層次
基于Bagging集成學(xué)習(xí)算法，有多棵決策樹組成（通常是CART決策樹），其主要特性有：
（1）樣本和特征隨機(jī)采樣
（2）適用于數(shù)據(jù)維度大的數(shù)據(jù)集
（3）對異常樣本點不敏感
（4）可以并行訓(xùn)練（決策樹間獨立同分布）
算法輸出：
注意：算法僅用于參考學(xué)習(xí)交流，由于是研一時期獨立編寫（以后可能進(jìn)一步完善），所公開的代碼并非足夠完善和嚴(yán)謹(jǐn)，如以下問題：
模型涉及參數(shù)未尋優(yōu)（可考慮網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化）
指數(shù)平滑因子
隨機(jī)森林模型樹數(shù)量、決策樹深度、葉子節(jié)點最小樣本數(shù)等
未來第k天的選擇
歸一化方法
隨機(jī)森林模型其實本身不需要數(shù)據(jù)歸一化（如算法對數(shù)據(jù)集進(jìn)行歸一化也需要考慮對訓(xùn)練集、驗證集、測試集獨立歸一化）
股票預(yù)測考慮的數(shù)據(jù)特征：
原始數(shù)據(jù)特征（open/close/high/low）
技術(shù)指標(biāo)（Technical indicator）
企業(yè)公開公告信息
企業(yè)未來規(guī)劃
企業(yè)年度報表
社會輿論
股民情緒
國家政策
股票間影響等
4.模型輸出結(jié)果
5.隨機(jī)森林參數(shù)優(yōu)化參考表
4.基于ARMA預(yù)測股票價格-ARMA（自回歸滑動平均模型）
基于ARMA預(yù)測股票價格（5分鐘數(shù)據(jù)）
1.檢測數(shù)據(jù)平穩(wěn)化
2.差分/對數(shù)等數(shù)據(jù)處理
3.使用ARMA模型預(yù)測
備注：部分代碼參考網(wǎng)絡(luò)資源
5.金融時間序列相似度計算
5.1.皮爾遜相關(guān)系數(shù)（ pearsoncorrelationcoefficient）
1.1 由于不同股票價格范圍差距過大，在進(jìn)行股票時間序列相似度匹配過程中通常考慮對數(shù)差處理，其公式如下所示：
1.2經(jīng)過對數(shù)差處理后的金融時間序列可表示：
1.3皮爾遜相關(guān)系數(shù)計算公式：
1.4結(jié)果
1.4.1相關(guān)性較強(qiáng)
1.4.2相關(guān)性較弱
5.2.動態(tài)時間規(guī)整（dynamictimewrapping）
2.1 計算兩個金融時間序列的時間點對應(yīng)數(shù)據(jù)的歐氏距離
2.2 更新時間點對應(yīng)數(shù)據(jù)的距離
2.3 動態(tài)時間規(guī)整距離
2.4 偽代碼
2.5 動態(tài)時間規(guī)整距離輸出圖舉例
2.6 動態(tài)時間規(guī)整最優(yōu)匹配對齊
2.7結(jié)果
2.7.1動態(tài)時間規(guī)整距離較短
2.7.1動態(tài)時間規(guī)整距離較長
5.3.余弦相似度（cosine similarity）
6.金融時間序列（其他）
6.1.計算特征方差（calc_variance.py）
open 161211.21669504658close 161415.73886306392high 166077.6958545937low 156622.3645795179......
6.2.繪制混淆矩陣（confuse_matrix.py）
6.3.特征間相關(guān)性（corr.py）
6.4.繪制預(yù)測模型性能——柱狀圖（result_bar.py）
6.5.繪制預(yù)測模型性能——折線圖（result_plot.py）
6.6.相似金融時間序列繪制（similaritytimeseries.py）
6.7.計算分類的評價指標(biāo)（evaluation.py）
（1）準(zhǔn)確率Accuracy
（2）精確率Precision
（3）召回率Recall
（4）特異度Specificity
（5）綜合評價指標(biāo)F-measure
（6）馬修斯相關(guān)系數(shù)MCC(Matthews Correlation Coefficient)
6.8.窗口數(shù)據(jù)歸一化（normalization.py）
（1）z-score標(biāo)準(zhǔn)化（std）
（2）最大最小歸一化（maxmin）
6.9.股票數(shù)據(jù)下載（download.py）
（1）tushare接口
（2）JQdata接口
6.10.roc曲線繪制（roc.py）
6.11.混淆矩陣?yán)L制（confusion_matrix.py）
6.12.卡爾曼濾波（kalmanfilter.py）
6.13.蠟燭圖 (candle.py)
碼源鏈接見文末跳轉(zhuǎn)
[文末鏈接跳轉(zhuǎn)]：https://blog.csdn.net/sinat_39620217/article/details/131608655
更多優(yōu)質(zhì)內(nèi)容請關(guān)注公號&知乎：汀丶人工智能；會提供一些相關(guān)的資源和優(yōu)質(zhì)文章，免費獲取閱讀。
