怎样让《机器学习》进行股票分析，提炼出规律

来源：蜘蛛抓取(WebSpider) 时间：2017-07-24 02:43 标签：


机器学习和深度学习已经在金融機构中找到了自己的位置因为它们能够以高精度预测时间序列数据，并且工程师们仍在继续研究以使模型更好这篇文章是我使用机器學习来预测股票价格的入门项目。

它基于我的项目这是一个堆叠的神经网络架构，可以预测各个公司的股票价格该项目是2018年iNTUtion的决赛项目之一。

该项目的工作流程基本上是以下步骤：

这些是我对各公司的预测结果

对于雪佛龙来说，MSE是2.11



很明显使用这种神经网络架构的结果令人印象深刻，并且如果实施到策略中可以是有利可图的

除了从历史数据中学习模型之外，我还想让模型实时学习甚至从预测中学習。因此我已经使它成为一个学习和预测的在线模型。换句话说它可以学习历史数据，预测明天的价格另外当实际价格已知时，它吔会学习使用它所以模型总是在改进。

除了使用实际价格来改善之外我还考虑制作一个二级模型，该模型使用关于公司的新闻和Twitter的情緒值我将首先概述如何获取这些数据。

除了股票价格数据我还想尝试一些自然语言处理。因此我尝试深入研究使用来自Twitter和新闻的情緒数据来改进股票预测。

第一个斗争就是免费获取推文因为获取整个实时数据的Twitter API已经被禁止。但是我找到了一个允许我在过去10天内获取推文的API，然后我可以实现某种形式的NLP来从推文中提取情绪数据这不是最佳的，但对我的在线学习模型仍然有用

与Twitter类似，获取新闻数據非常困难我尝试分析彭博文章的网址，但实现从2000年手动报废网站几乎是不可能的因此，我选择了具有相当强大的抓取模型的Aylien API

这些噺闻文章被删除的条件是他们只包括股票和财经新闻，过滤到前150个Alexa网站并且使用指数加权移动平均线平均情绪分数，以考虑最近的新闻洏不是旧的新闻

鉴于我的情绪分数，我使用额外的神经网络层来更正我的预测误差但是，在本文发布时结果不可用，因为生成一个數据点需要一天的时间

神经网络非常善于预测时间序列数据，当与情感数据结合时可以真正建立一个实用的模型。虽然这里的结果令囚印象深刻但我仍然想方设法改进它，也许实际上可以从中制定完整的交易策略目前，我正在研究使用强化学习来开发一个使用预测模型结果的交易代理

作者： 译者：虎说八道，审校：

文章为简译，更为详细的内容请查看。

汪荣贵;张佑生;高隽;彭青松;;[J];计算机科学;2004年10期
蔡清权;马雲匀;李金妹;;[J];信息系统工程;2019年09期
黄双燕;杨辽;陈曦;姚远;;[J];光谱学与光谱分析;2018年10期
刘海滨;;[J];信息通信技术与政策;2019年02期
李兵;林文钊;罗崢尹;;[J];信息与电脑(理论版);2018年24期
舒娜;刘波;林伟伟;李鹏飞;;[J];计算机科学;2019年03期
胡思润;杨晓旭;宋靖华;;[J];智能建筑与智慧城市;2019年11期
陈轶翔;埃里克·布伦乔尔森;汤姆·米切尔;;[J];世界科学;2018年04期

我要回帖

 

随机推荐