金融工夫序列预测办法合集：CNN、LSTM、随机森林、ARMA 预测股票价格（实用于时序问题）、类似度计算、各类评判指标绘图（数学建模科研实用）
1. 应用 CNN 模型预测将来一天的股价涨跌 -CNN（卷积神经网络）
应用 CNN 模型预测将来一天的股价涨跌
数据介绍
open 开盘价；close 收盘价；high 最高价
low 最低价；volume 交易量；label 涨 / 跌
训练规模
特色数量×5；天数×5 = 5 × 5
卷积过程
最大池化过程
代码流程
- 获取股票数据
- 数据归一化
- 数据预处理（划分成 5×5）
- 数据集宰割（训练集和测试集）
- 定义卷积神经网络
- 评估预测模型
模型架构
码源链接见文末跳转
文末链接跳转
2. 基于 LSTM 预测股票价格（长短期记忆神经网络）
基于 LSTM 预测股票价格（简易版）
数据集：
沪深 300 数据
数据特色：
只选用原始数据特色（开盘价、收盘价、最高价、最低价、交易量）
工夫窗口：
15 天
代码流程：
读取数据 -> 生成标签 (下一天收盘价)-> 宰割数据集 ->LSTM 模型预测 -> 可视化 -> 预测后果评估
LSTM 网络结构：
函数介绍：
1、generate_label 生成标签（下一天收盘价）
2、generate_model_data 宰割数据集
3、evaluate 后果评估
4、lstm_model LSTM 预测模型
5、main 主函数（含可视化）
可视化输入：
训练集测试集拟合成果：
评估指标：
1、RMSE：55.93668241713906
2、MAE：44.51361108752264
3、MAPE：1.3418267677320612
4、AMAPE：1.3420384401412058
3. 基于随机森林预测股票将来第 d + k 天相比于第 d 天的涨 / 跌 Random-Forest（随机森林）
基于随机森林预测股票将来第 d + k 天相比于第 d 天的涨 / 跌（简易版）
参考论文：Predicting the direction of stock market prices using random forest
论文流程：
算法流程：
获取金融数据 -> 指数平滑 -> 计算技术指标 -> 数据归一化 -> 随机森林模型预测
函数介绍：
1、get_stock_data 通过 Tushare 获取原始股票数据
2、exponential_smoothing、em_stock_data 股票指数平滑解决
3、calc_technical_indicators 计算罕用的技术指标
4、normalization 数据归一化解决并宰割数据集
5、random_forest_model 随机森林模型并返回准确率和特色排名
决策树：
（1）ID3: 基于信息增益大的数据特色划分档次
（2）C4.5: 基于信息增益比 = 信息增益 / 特色熵划分档次
（3）CART: 基于 Gini 划分档次
基于 Bagging 集成学习算法，有多棵决策树组成（通常是 CART 决策树），其次要个性有：
（1）样本和特色随机采样
（2）实用于数据维度大的数据集
（3）对异样样本点不敏感
（4）能够并行训练（决策树间独立同散布）
算法输入：
留神：算法仅用于参考学习交换，因为是研一时期独立编写（当前可能进一步欠缺），所公开的代码并非足够欠缺和谨严，如以下问题：
-
模型波及参数未寻优（可思考网格搜寻、随机搜寻、贝叶斯优化）
- 指数平滑因子
- 随机森林模型树数量、决策树深度、叶子节点最小样本数等
- 将来第 k 天的抉择
- 归一化办法
- 随机森林模型其实自身不须要数据归一化（如算法对数据集进行归一化也须要思考对训练集、验证集、测试集独立归一化）
-
股票预测思考的数据特色：
- 原始数据特色（open/close/high/low）
- 技术指标（Technical indicator）
- 企业公开布告信息
- 企业将来布局
- 企业年度报表
- 社会舆论
- 股民情绪
- 国家政策
- 股票间影响等
4. 模型输入后果
5. 随机森林参数优化参考表
4. 基于 ARMA 预测股票价格 -ARMA（自回归滑动均匀模型）
基于 ARMA 预测股票价格（5 分钟数据）
1. 检测数据安稳化
2. 差分 / 对数等数据处理
3. 应用 ARMA 模型预测
备注：局部代码参考网络资源
5. 金融工夫序列类似度计算
5.1. 皮尔逊相关系数（pearson_correlation_coefficient）
1.1 因为不同股票价格范畴差距过大，在进行股票工夫序列类似度匹配过程中通常思考对数差解决，其公式如下所示：
1.2 通过对数差解决后的金融工夫序列可示意：
1.3 皮尔逊相关系数计算公式：
1.4 后果
1.4.1 相关性较强
1.4.2 相关性较弱
5.2. 动静工夫规整（dynamic_time_wrapping）
2.1 计算两个金融工夫序列的工夫点对应数据的欧氏间隔
2.2 更新工夫点对应数据的间隔
2.3 动静工夫规整间隔
2.4 伪代码
2.5 动静工夫规整间隔输入图举例
2.6 动静工夫规整最优匹配对齐
2.7 后果
2.7.1 动静工夫规整间隔较短
2.7.1 动静工夫规整间隔较长
5.3. 余弦类似度（cosine similarity）
6. 金融工夫序列（其余）
6.1. 计算特色方差（calc_variance.py）
open 161211.21669504658
close 161415.73886306392
high 166077.6958545937
low 156622.3645795179
......6.2. 绘制混同矩阵（confuse_matrix.py）
6.3. 特色间相关性（corr.py）
6.4. 绘制预测模型性能——柱状图（result_bar.py）
6.5. 绘制预测模型性能——折线图（result_plot.py）
6.6. 类似金融工夫序列绘制（similarity_time_series.py）
6.7. 计算分类的评估指标（evaluation.py）
（1）准确率 Accuracy
（2）准确率 Precision
（3）召回率 Recall
（4）特异度 Specificity
（5）综合评估指标 F -measure
（6）马修斯相关系数 MCC(Matthews Correlation Coefficient)
6.8. 窗口数据归一化（normalization.py）
（1）z-score 标准化（std）
（2）最大最小归一化（maxmin）
6.9. 股票数据下载（download.py）
（1）tushare 接口
（2）JQdata 接口
6.10.roc 曲线绘制（roc.py）
6.11. 混同矩阵绘制（confusion_matrix.py）
6.12. 卡尔曼滤波（kalmanfilter.py）
6.13. 蜡烛图 (candle.py)
码源链接见文末跳转
文末链接跳转
更多优质内容请关注公号 & 知乎：汀丶人工智能；会提供一些相干的资源和优质文章，收费获取浏览。
本文参加了 SegmentFault 思否写作挑战「摸索编码世界之旅 – 记我的第一份编程工作」，欢送正在浏览的你也退出。