金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA 预测价格（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）
金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA 预测价格（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）
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
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）
数据集分割（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
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：
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：
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：
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：
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）
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
未来第 k 天的选择
归一化方法
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）
股票预测考虑的数据特征：
原始数据特征（open/close/high/low）
技术指标（Technical indicator）
企业公开公告信息
企业未来规划
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.模型输出结果
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：
1.2 经过对数差处理后的金融时间序列可表示：
1.3 皮尔逊相关系数计算公式：
1.4 结果
1.4.1 相关性较强
1.4.2 相关性较弱
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
2.2 更新时间点对应数据的距离
2.3 动态时间规整距离
2.4 伪代码
2.5 动态时间规整距离输出图举例
2.6 动态时间规整最优匹配对齐
2.7 结果
2.7.1 动态时间规整距离较短
2.7.1 动态时间规整距离较长
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）
6.2.绘制混淆矩阵（confuse_matrix.py）
6.3.特征间相关性（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.相似金融时间序列绘制（similarity_time_series.py）
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）
6.11.混淆矩阵绘制（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
更多优质内容请关注公号 &知乎：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。
版权声明: 本文为 InfoQ 作者【汀丶人工智能】的原创文章。
原文链接:【http://xie.infoq.cn/article/844efd924731bb62bcc0dbf2a】。
本文遵守【CC-BY 4.0】协议，转载请保留原文出处及本版权声明。
本博客将不定期更新关于NLP等领域相关知识 2022-01-06 加入
本博客将不定期更新关于机器学习、强化学习、数据挖掘以及NLP等领域相关知识，以及分享自己学习到的知识技能，感谢大家关注！
评论