Python用RNN神经网络LSTM优化EMD经验模态分解交易策略的股票价格MACD分析
全文链接:http://tecdat.cn/?p=28265
作者:Xiaoyi Sun
预测股票价格,并在合适的时间产生交易策略实现收益,一直是一个热门的问题,到现在为止也提出了很多预测方法。但股票价格 的实时预测是一个难点,需要及时预测价格趋势并作出交易判断。
解决方案
任务/目标
根据市场上已有价格等数据,预测股票价格或趋势,形成交易策略,通过回测计算收益情况。
数据源准备
使用分钟集数据,获得股票价格、交易量、 流量数据,其中流量数据是用一种特殊的方 法计算。每天交易时间为 4 小时,所以一天 有 240 组数据。
由于数据量级的差异,需要对数据进行预处理,都进行归一化。
构造
以上说明了如何抽取相关特征,我们大致有如下训练样本(只列举部分特征)。
文章图片
划分训练集和测试集
考虑到最终模型会预测将来的某时间段的销 量,为了更真实的测试模型效果,以时间来 切分训练集和测试集。其中训练集与测试集 的比例为 8:2。
建模
LSTM,长短期记忆网络,是一种特殊的 RNN 网络。 LSTM 解决了 RNN 中存在的长期依赖问题, 有输入门、输出门和遗忘门。
文章图片
EMD,经验模态分解,任何信号可以分解成若干模态分量之合。
文章图片
EMD分解在处理非平稳及非线性数据上,具有非常明显的优势,适合于分析非线性、非 平稳信号序列,具有很高的信噪比。
模型优化
1.利用 LSTM 预测股票价格解决 EMD 分解的端点问题。
1.利用 LSTM 预测中国平安的股票价格情 况: 从 loss 图中可以看出,网络效果较好,训练集和测试集的 loss 都是下降后趋于稳定,不 存在过拟合现象。
文章图片
从下图可以看出测试集的价格预测有很高的 一致性。
文章图片
下图是放大后效果
文章图片
2. 利用EMD 分解计算 MACD 的值生成交易信号,将信号代入真实股价产生收益。可以 看出胜率在60%左右
文章图片
关于作者
文章图片
在此对Xiaoyi Sun对本文所作的贡献表示诚挚感谢,她在哈尔滨工业大学完成了应用统计硕士学位,专长深度学习、数理金融等。
文章图片
最受欢迎的见解
1.R语言实现CNN(卷积神经网络)模型进行回归
2.r语言实现拟合神经网络预测和结果可视化
3.python用遗传算法-神经网络-模糊逻辑控制算法对乐透分析
4.R语言结合新冠疫情COVID-19股票价格预测:ARIMA,KNN和神经网络时间序列分析
5.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
6.Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
7.用于NLP的seq2seq模型实例用Keras实现神经机器翻译
8.R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测
【Python用RNN神经网络LSTM优化EMD经验模态分解交易策略的股票价格MACD分析】9.Python用RNN循环神经网络:LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测
推荐阅读
- 如何美观地打印Python对象(这个标准库可以简单实现)
- 关于vue-tree-chart简单的使用
- TypeScript命名空间讲解
- Vue|Vue eventBus事件总线封装后再用的方式
- python使用pandas读写excel文件的方法实例
- Java中this的用法实例总结
- 敏捷开发总结
- 大厂技术实现|大厂技术实现 | 图像检索及其在高德的应用 @计算机视觉系列
- 大厂技术实现|大厂技术实现 | 图像检索及其在淘宝的应用 @计算机视觉系列
- 服务器dump文件位置,dump解析入门-用VS解析dump文件进行排障