1. Toy模板网首页
  2. > Toy博客

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）

9月前 作者：汀、人工智能 分类：Toy博客 阅读(42) 违法举报

这篇具有很好参考价值的文章主要介绍了金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

项目设计集合（人工智能方向）：助力新人快速实战掌握技能、自主完成项目设计升级，提升自身的硬实力（不仅限NLP、知识图谱、计算机视觉等领域）：汇总有意义的项目设计集合，助力新人快速实战掌握技能，助力用户更好利用 CSDN 平台，自主完成项目设计升级，提升自身的硬实力。

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

  1. 专栏订阅：项目大全提升自身的硬实力

  2. [专栏详细介绍：项目设计集合（人工智能方向）：助力新人快速实战掌握技能、自主完成项目设计升级，提升自身的硬实力（不仅限NLP、知识图谱、计算机视觉等领域）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）

码源见文章顶部或文末链接

https://download.csdn.net/download/sinat_39620217/87988639文章来源地址https://www.toymoban.com/news/detail-547886.html

1.使用CNN模型预测未来一天的股价涨跌-CNN（卷积神经网络）

使用CNN模型预测未来一天的股价涨跌

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

特征数量×5；天数×5 = 5 × 5

卷积过程

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

最大池化过程

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

代码流程

  1. 获取股票数据
  2. 数据归一化
  3. 数据预处理（划分成5×5）
  4. 数据集分割（训练集和测试集）
  5. 定义卷积神经网络
  6. 评估预测模型

模型架构

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

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

数据特征：

只选用原始数据特征（开盘价、收盘价、最高价、最低价、交易量）

时间窗口：

15天

代码流程：

读取数据->生成标签(下一天收盘价)->分割数据集->LSTM模型预测->可视化->预测结果评估

LSTM网络结构：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

函数介绍：

1、generate_label 生成标签（下一天收盘价）

2、generate_model_data 分割数据集

3、evaluate 结果评估

4、lstm_model LSTM预测模型

5、main 主函数（含可视化）

可视化输出：

训练集测试集拟合效果：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

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未来第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未来第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：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

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 股票指数平滑处理

3、calc_technical_indicators 计算常用的技术指标

4、normalization 数据归一化处理并分割数据集

5、random_forest_model 随机森林模型并返回准确率和特征排名

决策树：

（1）ID3: 基于信息增益大的数据特征划分层次

（2）C4.5: 基于信息增益比=信息增益/特征熵划分层次

（3）CART: 基于Gini划分层次

基于Bagging集成学习算法，有多棵决策树组成（通常是CART决策树），其主要特性有：

（1）样本和特征随机采样

（2）适用于数据维度大的数据集

（3）对异常样本点不敏感

（4）可以并行训练（决策树间独立同分布）

算法输出：

注意：算法仅用于参考学习交流，由于是研一时期独立编写（以后可能进一步完善），所公开的代码并非足够完善和严谨，如以下问题：

  1. 模型涉及参数未寻优（可考虑网格搜索、随机搜索、贝叶斯优化）

    1. 指数平滑因子

    2. 随机森林模型树数量、决策树深度、叶子节点最小样本数等

    3. 未来第k天的选择

    4. 归一化方法

  2. 随机森林模型其实本身不需要数据归一化（如算法对数据集进行归一化也需要考虑对训练集、验证集、测试集独立归一化）

  3. 股票预测考虑的数据特征：

    1. 原始数据特征（open/close/high/low）

    2. 技术指标（Technical indicator）

    3. 企业公开公告信息

    4. 企业未来规划

    5. 企业年度报表

    6. 社会舆论

    7. 股民情绪

    8. 国家政策

    9. 股票间影响等

4.模型输出结果

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

5.随机森林参数优化参考表

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

4.基于ARMA预测股票价格-ARMA（自回归滑动平均模型）

基于ARMA预测股票价格（5分钟数据）

1.检测数据平稳化

2.差分/对数等数据处理

3.使用ARMA模型预测

备注：部分代码参考网络资源

5.金融时间序列相似度计算

5.1.皮尔逊相关系数（ pearson_correlation_coefficient）

1.1 由于不同股票价格范围差距过大，在进行股票时间序列相似度匹配过程中通常考虑对数差处理，其公式如下所示：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

1.2经过对数差处理后的金融时间序列可表示：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

1.3皮尔逊相关系数计算公式：

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

1.4结果

1.4.1相关性较强

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

1.4.2相关性较弱

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

5.2.动态时间规整（dynamic_time_wrapping）

2.1 计算两个金融时间序列的时间点对应数据的欧氏距离

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.2 更新时间点对应数据的距离

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.3 动态时间规整距离

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.4 伪代码

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.5 动态时间规整距离输出图举例

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.6 动态时间规整最优匹配对齐

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.7结果

2.7.1动态时间规整距离较短

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

2.7.1动态时间规整距离较长

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

5.3.余弦相似度（cosine similarity）

6.金融时间序列（其他）

6.1.计算特征方差（calc_variance.py）

open 161211.21669504658
close 161415.73886306392
high 166077.6958545937
low 156622.3645795179
......

6.2.绘制混淆矩阵（confuse_matrix.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.3.特征间相关性（corr.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.4.绘制预测模型性能——柱状图（result_bar.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.5.绘制预测模型性能——折线图（result_plot.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.6.相似金融时间序列绘制（similarity_time_series.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.7.计算分类的评价指标（evaluation.py）

（1）准确率Accuracy

（2）精确率Precision

（3）召回率Recall

（4）特异度Specificity

（5）综合评价指标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）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.11.混淆矩阵绘制（confusion_matrix.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.12.卡尔曼滤波（kalmanfilter.py）

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

6.13.蜡烛图 (candle.py)

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）,项目大全：提升自身的硬实力,数学建模,机器学习,深度学习,LSTM,CNN,原力计划

码源见文章顶部或文末链接

https://download.csdn.net/download/sinat_39620217/87988639

到了这里，关于金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 时序预测 | MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积长短期记忆神经网络时间序列预测

    时序预测 | MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积长短期记忆神经网络时间序列预测

    预测效果 基本介绍 时序预测 | MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积长短期记忆神经网络时间序列预测，运行环境Matlab2020b及以上。优化正则化率、学习率、隐藏层单元数。 1.MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积长短期记忆神经网络时间序列预测； 2.单变量时间序列预测； 3

    2024年02月12日
    浏览(49)
  • 时序预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测

    时序预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测

    效果一览 基本介绍 MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测。基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)时间序列预测，BO-CNN-LSTM/Bayes-CNN-LSTM时间序列预测模型。 1.优化参数为：学习率，隐含层节点，正则化参数。 2.评价指标包

    2024年02月02日
    浏览(52)
  • 时序预测 | MATLAB实现SO-CNN-LSTM蛇群算法优化卷积长短期记忆神经网络时间序列预测

    时序预测 | MATLAB实现SO-CNN-LSTM蛇群算法优化卷积长短期记忆神经网络时间序列预测

    预测效果 基本介绍 时序预测 | MATLAB实现SO-CNN-LSTM蛇群算法优化卷积长短期记忆神经网络时间序列预测，运行环境Matlab2020b及以上。优化正则化率、学习率、隐藏层单元数。 1.MATLAB实现SO-CNN-LSTM蛇群算法优化卷积长短期记忆神经网络时间序列预测； 2.单变量时间序列预测； 3.多

    2024年02月12日
    浏览(44)
  • 时序预测 | MATLAB实现基于CNN-LSTM卷积长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)

    时序预测 | MATLAB实现基于CNN-LSTM卷积长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)

    预测结果 基本介绍 MATLAB实现基于CNN-LSTM卷积长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价) 1.MATLAB实现基于CNN-LSTM卷积长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)； 2.运行环境Matlab2020及以上，data为数据集，单变量时间序列预测； 3.递归预

    2024年02月12日
    浏览(45)
  • 时序预测 | Matlab基于CNN-LSTM-SAM卷积神经网络-长短期记忆网络结合空间注意力机制的时间序列预测(多指标评价)

    时序预测 | Matlab基于CNN-LSTM-SAM卷积神经网络-长短期记忆网络结合空间注意力机制的时间序列预测(多指标评价)

    预测效果 基本介绍 Matlab基于CNN-LSTM-SAM卷积神经网络-长短期记忆网络结合空间注意力机制的时间序列预测(多指标评价) 卷积神经网络（Convolutional Neural Network, CNN）和长短期记忆网络（Long Short-Term Memory, LSTM）是两种在深度学习领域中广泛应用的神经网络模型。而空间注意力（

    2024年01月25日
    浏览(51)
  • 多维时序 | Matlab实现CNN-LSTM-Mutilhead-Attention卷积长短期记忆神经网络融合多头注意力机制多变量时间序列预测

    多维时序 | Matlab实现CNN-LSTM-Mutilhead-Attention卷积长短期记忆神经网络融合多头注意力机制多变量时间序列预测

    效果一览 基本介绍 1.data为数据集，格式为excel，4个输入特征，1个输出特征，考虑历史特征的影响，多变量时间序列预测； 2.main.m为主程序文件，运行即可； 3.命令窗口输出R2、MAE、MAPE、MSE和MBE，可在下载区获取数据和程序内容； 注意程序和数据放在一个文件夹，运行环境为

    2024年01月22日
    浏览(50)
  • LSTM时间序列预测

    LSTM时间序列预测

    本文借鉴了数学建模清风老师的课件与思路，可以点击查看链接查看清风老师视频讲解：【1】演示：基于LSTM深度学习网络预测时间序列（MATLAB工具箱）_哔哩哔哩_bilibili 时间序列不需要时间（包括一元时间序列和多元时间序列），若有时间则可以将时间删去，同时数据里允许

    2024年01月21日
    浏览(51)
  • LSTM 时间序列预测+股票预测案例(Pytorch版)

    LSTM 时间序列预测+股票预测案例(Pytorch版)

    数据特征 Date：日期 Open：开盘价 High：最高价 Low：最低价 Close：收盘价 Adj Close：调整后的收盘价 Volume：交易量 数据链接： 链接: https://pan.baidu.com/s/1rX_S3Jaz4zJVMKPW2BLdLA?pwd=hi55 提取码: hi55 对收盘价(Close)单特征进行预测 利用前n天的数据预测第n+1天的数据。 1. 导入数据 2. 将股票

    2024年02月11日
    浏览(45)
  • LSTM实现时间序列预测(PyTorch版)

    LSTM实现时间序列预测(PyTorch版)

    💥项目专栏：【深度学习时间序列预测案例】零基础入门经典深度学习时间序列预测项目实战（附代码+数据集+原理介绍）

    2023年04月24日
    浏览(55)
  • 挑战杯 基于LSTM的天气预测 - 时间序列预测

    挑战杯 基于LSTM的天气预测 - 时间序列预测

    🔥 优质竞赛项目系列，今天要分享的是 机器学习大数据分析项目 该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！ 🧿 更多资料, 项目分享： https://gitee.com/dancheng-senior/postgraduate ​ df = pd.read_csv(‘/home/kesci/input/jena1246/jena_climate_2009_2016.csv’) df.head() 如上所示，每1

    2024年02月21日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包