暑期项目实训 7.1阶段报告：A Dual-Stage Attention-Based Recurrent Neural Networkfor Time Series Prediction论文复现

        前端时间看懂了A Dual-Stage Attention-Based Recurrent Neural Networkfor Time Series Prediction这篇论文，看论文的目的就是做项目，拿来用，所以这段时间在复现这篇文章。

        github上有几个别人复现好的部分pytorch实现的代码，我看过几个后，发现他们对于论文的网络结构和公式都有不同程度的修改，我不知道是不是因为我太菜了看不懂他们的修改，还是他们本就没注意一些细节。所以我决定自己复现一份，但经过我自己的完全按照论文提出的模型复现后，表现是要比他们的好的……

        熬夜花了两天时间复现出来了。

所做的工作如下：

1. 根据论文中给出的网络结构模型，进行具体的代码实现
2. 调整训练数据，使其能够输入网络
3. 训练，调整参数

        在我自己复现完成以后，我将其与github上存在的与论文并不一样的网络模型先进行了相同数据集下的测试，也就是纳斯达克100里面选择了81只股票作为驱动序列，选择NDX作为预测的股票。选择比较的对象是github比较新的一个介绍中说根据github已有的项目进行实现的代码，这份代码和github中其他的代码网络结构大概一样，都是省去了网络中差不多的一些东西，修改的是一些更方便的操作，修改了其他代码中部分与论文不同的地方，但本身还是存在一些地方和论文不一样。而且时间相对较新，所以用它进行比较。（y轴的值是经过数据标准化后的结果，我会在下面具体预测我们项目需要的数据时还原为原本的值）

        我的模型的效果：                                                           github上的代码的效果：

                        

        还是感谢这些代码的上传者，在我最开始的时候给了我基本的方向。

        然后我进行的工作是在自己需要的数据集上进行训练，我选用的股票作为驱动序列的股票是600000.SH，600009.SH和600104.SH（我只选用了3只，因为冒然多选并不好，跟要预测的股票毫无关系会对模型的表现产生影响），选择600196.SH作为预测的股票。

        数据同样是从Tushare中获得的，我不知道是我的权限问题还是什么问题，每只股票的日信息我只能拿到5000条记录。但Tushare还是很方便的，推荐使用。

        因为数据比较少，我就增加了迭代的次数，经过了1000个epoch（并不需要这么多，只不过我当时太困了，去睡了会儿，闲着也是闲着，就让他一直训练），预测训练时的表现如下：

        

        

        

        最终的表现如下：