A-A+

股票预测标签问题总结

2020年04月27日 19:41 汪洋大海 暂无评论 共886字 (阅读1,388 views次)

总结目前进行股票预测问题的代码可以发现，针对股票预测一共有两种类型的预测方法（或者说两种不同的预测问题去采用LSTM进行解决）。

一种就是采用开盘价、成交量等相关特征去预测收盘价（也叫多变量时间序列预测），数据和预测结果如图所示：

股票预测问题

这是我从网上随意找的数据类型，也是我最初开始学习LSTM股票预测最先接触的方法和数据类型。利用高维度特征进行股票预测当然具有高准确率（从理论上讲），但是该方法仍旧准确误差。目前在解决此类数据集进行收盘价预测的时候，大家往往采用两种方法进行构建输入特征变量和预测标签，为了方便大家理解，我绘制了如下图的形式：（比如用三天的数据去预测第四天的收盘价格）

股票预测问题

 

股票预测问题

股票预测问题

上述通过动态构建特征的方法就是常说的滑动窗口。即是利用历史数据特征去预测未来的标签输出。当然这种方法只能通过历史数据往前预测一天的输出。构建此类型数据常用的方式代码可以描述为：

1
2
3
4
5
6
7
8
9
10
11
12
13
14

def multivariate_data(dataset, target, start_index, end_index, history_size,target_size, step, single_step=False):
  data = []
  labels = []
  start_index = start_index + history_size
  if end_index is None:
    end_index = len(dataset) - target_size
  for i in range(start_index, end_index):
    indices = range(i-history_size, i, step)
    data.append(dataset[indices])
    if single_step:
      labels.append(target[i+target_size])
    else:
      labels.append(target[i:i+target_size])
  return np.array(data), np.array(labels)

文章来源：https://blog.csdn.net/weixin_40651515/article/details/105571639

布施恩德可便相知重

微信扫一扫打赏

支付宝扫一扫打赏

×

给我留言