- 博客(15)
- 收藏
- 关注
RSS订阅原创 模型设计总结（3）
（5）全连接层 参数为Dense(units=1, activation='sigmoid',input_shape =(None,64)全连接层在整个卷积神经网络中起到“分类器”的作用。卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间，全连接层则起到将学习的“分布式特征表示”映射到样本标记空间。前面的卷积和池化做特征工程，全连接相当于做特征加权。全连接的核心操作就是矩阵向量乘积本质就是由一个特征空间线性变换到另一个特征空间。目标空间的任一单元都认为会受到源空间的每一单元的影.
2021-07-29 20:47:55
403
原创 模型设计总结（2）
（1）输入数据处理。从Tushare上爬取1991.7.1到2020.8.31 7127条数据，然后划分成6627条 和500条分别组成训练集和测试集。具体时间跨度为10天，每天的数据有8个特征，分别为收盘价，开盘价，最高点位，最低点位，昨日收盘点，涨跌点，涨跌幅（%），成交量（手）成交额（千元）,将10天的数据编为一组，即使用前10天的数据预测第11天的收盘价本层输出格式为（None，10，8）None为组的个数不限制 并且对爬取的数据进行归一化处理，使其投影到（0,1）的范围内，目的是改变特
2021-07-29 20:46:27
214
原创 模型设计总结（1）
用单变量线性时间序列预测模型预测股价走势有一定的局限性。因此，为了充分利用时间序列的特性数据序列，深入挖掘数据特征，提高数据质量为了提高股票价格预测的准确性，基于CNN-LSTM的股票价格预测方法进行股票次日收盘价预测。 卷积神经网络（CNN）的优点是该方法能从数据中提取有效的特征，长短时记忆（LSTM）不仅能发现时间序列数据中数据的相互依赖性，而且能自动检测出适合相关数据的最佳模式，该方法能有效提高股票价格的准确性预测。CNN-LSTM模型使用CNN提取输入时间序列的特征然后使用Lstm去预测下一天.
2021-07-29 20:44:37
250
原创 部分结果展示
# model.save('path_to_my_model'+stock_code+'.h5')#model = tf.keras.models.load_model('path_to_my_model'+stock_code+'.h5')使用 save load 提前训练好模型 方便直接调用
2021-07-25 19:01:05
107
原创 模型调试（2）
关于使用dropout降低对训练集的拟合度 优化对测试集的表现 优化平移现象不使用dropout使用之后但有时使用dropout会降低模型的准确率 这需要根据具体的股票具体调整 包括dropout的参数使用不使用...
2021-07-25 18:56:00
111
原创 模型的调试（1）
关于股票的选择（1）上海证券综合指数简称“上证指数”或“上证综指”，其样本股是在上海证券交易所全部上市股票，包括A股和B股，反映了上海证券交易所上市股票价格的变动情况，自1991年7月15日起正式发布。此类股票数据是根据多只股票的综合，因此其相邻几天的数据并没有很多逻辑上的直接关系，因此根据前几天数据预测 后一天的数据在逻辑上并不是很合理，因此cnn-lstm模型在此种股票上的表现并不好000001.sh（2）应避开可用数据较少 发行时间不长 以及曲线不正常的股票 例如一直涨 ...
2021-07-25 18:42:14
144
原创 cnn-lstm介绍（2）
1. CNN-LSTM模型。CNN具有注意最明显的特征，因此在特征工程中得到了广泛的应用。LSTM有，按时间顺序扩张的特性，广泛应用于时间序列中。根据CNN和LSTM股票预测模型的特点建立了基于CNN的LSTM模型-e模型结构示意图如图1所示，主要结构为CNN和LSTM，包括输入层、一维卷积层、池层、LSTM隐藏层和全隐层,连接层。2. CNN。CNN是Lecun等人提出的一种网络模型。1998年。CNN是一种前馈神经网络，在图像处理和图像处理方面具有良好的性能自然语言处理.
2021-07-16 14:53:43
24290
原创 对于所使用的cnn-lstm设计和想法（1）
股票价格的变化趋势一直被认为是经济领域中一个非常重要的问题。股票价格受到各种内部和外部因素的影响，国内外经济环境、国际形势、行业前景、金融环境上市公司数据与股市运行等因素。我们预测方法也有不同的侧重点。传统的分析方法是基于经济学金融学，主要运用基本面分析方法和技术分析方法。一方面，基本面分析法更注重于对影响股票内在价值的外部因素，如利率等进行定性分析，汇率、通货膨胀、产业政策、上市公司财务、国际关系和其他经济和社会关系政治因素。另一方面，技术分析方法主要关注股价走势，成交量和投资者的心理预期
2021-07-16 14:43:17
1833
原创 神经网络中Dropout的使用
x = Dropout(0.01)(x)在进行第一个batch的训练时，有以下步骤：1.设定每一个神经网络层进行dropout的概率2.根据相应的概率拿掉一部分的神经元，然后开始训练，更新没有被拿掉神经元以及权重的参数，将其保留3.参数全部更新之后，又重新根据相应的概率拿掉一部分神经元，然后开始训练，如果新用于训练的神经元已经在第一次当中训练过，那么我们继续更新它的参数。而第二次被剪掉的神经元，同时第一次已经更新过参数的，我们保留它的权重，不做修改，直到第n次batch进行dropout时.
2021-07-16 14:31:20
2383
原创 LSTM 长短期记忆模型
LSTM模型分析1. LSTM模型是什么LSTM是一种RNN模型。RNN和CNN可以是DL的两种重要模型。CNN主要处理空间结构数据，RNN主要处理时间序列数据。但也不是绝对，本文中用作profiling的例子（代码来源参考文献[1]）就是LSTM处理图片，即空间结构数据。RNN（Recurrent neural network，循环神经网络）是一系列能够处理序列数据的神经网络的总称。RNN特性是隐单元间的连接是循环的；如果输入是一个时间序列，可以将其展开。其中的每一个单元，除了...
2021-07-08 16:59:43
237
原创 CNN卷积神经网络 （3）池化层
x= tf.keras.layers.MaxPool1D(pool_size=1,padding='same',input_shape =(None,10,32))(x)kernel_size(int or tuple) - max pooling的窗口大小stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_sizepadding(int or tuple, optional) - 输入的每一条边补充0的层数d.
2021-07-08 16:43:19
903
原创 CNN卷积神经网络（2）
x = Conv1D( filters=32, # 卷积层神经元（卷积核）数目 kernel_size=1, # 感受野大小 padding='same', # padding策略（vaild 或 same） activation=tf.nn.tanh, input_shape =(None,10,8) )(input.
2021-07-08 16:26:07
685
原创 卷积神经网络（cnn）了解
CNN的全称是Convolutional Neural Network, 是一种前馈神经网络。由一个或多个卷积层、池化层以及顶部的全连接层组成，在图像处理领域表现出色。本文主要讲解CNN如何在自然语言处理方面的运用。卷积神经网络主要用于提取卷积对象的局部特征，当卷积对象是自然语言文本时，比如一个句子，此时其局部特征是特定的关键词或关键短语，所以利用卷积神经网络作为特征提取器时相当于词袋模型，表示一个句子中是否出现过特定的关键词或关键短语。用在分类任务上，相当于提取出对于分类最有用的特征信息。...
2021-07-04 10:36:09
1222
原创 Tushare了解并使用
Tushare是Python中一个十分好用的免费调用股票数据的接口包。运用tushare可以很轻松的调取各种股票数据。import tushare as tsimport pandas as pd#使用tushare需导入panda库print(ts.__version__)pd.set_option('display.max_columns',None) #设置列不限制数量pd.set_option('display.max_rows',None)#设置行不限制数量ts.set_
2021-07-04 10:23:56
2265
原创 了解股票市场
因为我所做项目为股票价格预测 所以首先要了解股票市场以及基本逻辑和各类指标。股票（stock）是股份公司所有权的一部分，也是发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。股票是资本市场的长期信用工具，可以转让，买卖，股东凭借它可以分享公司的利润，但也要承担公司运作错误所带来的风险。每股股票都代表股东对企业拥有一个基本单位的所有权。每家上市公司都会发行股票。同一类别的每一份股票所代表的公司所有权是相等的。每个股东所...
2021-07-04 10:09:21
183
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人