Temporal_Relational_Stock_Ranking 项目使用教程

时昕海Minerva

于 2024-09-14 07:27:59 发布

阅读量639

点赞数 8

本文链接：https://blog.csdn.net/gitblog_00124/article/details/142239782

版权

Temporal_Relational_Stock_Ranking 项目使用教程

Temporal_Relational_Stock_Ranking Code for paper "Temporal Relational Ranking for Stock Prediction" 项目地址: https://gitcode.com/gh_mirrors/te/Temporal_Relational_Stock_Ranking

1. 项目目录结构及介绍

Temporal_Relational_Stock_Ranking/
├── data/
│   ├── google_finance/
│   ├── sector_industry/
│   └── wikidata/
├── scripts/
│   ├── eod.py
│   ├── sector_industry.py
│   └── wikidata.py
├── training/
│   ├── rank_lstm.py
│   └── relation_rank_lstm.py
├── LICENSE
└── README.md

目录结构说明

data/: 存放项目所需的数据文件，包括历史股票数据、行业关系数据和维基关系数据。
- google_finance/: 存放从Google Finance获取的历史股票数据。
- sector_industry/: 存放行业关系数据。
- wikidata/: 存放维基关系数据。
scripts/: 存放数据预处理脚本。
- eod.py: 用于从历史股票数据中生成特征。
- sector_industry.py: 用于生成行业关系的二进制编码。
- wikidata.py: 用于生成维基关系的二进制编码。
training/: 存放训练模型的脚本。
- rank_lstm.py: 用于训练Rank_LSTM模型。
- relation_rank_lstm.py: 用于训练Relational Stock Ranking模型。
LICENSE: 项目的开源许可证文件。
README.md: 项目的介绍和使用说明。

2. 项目启动文件介绍

2.1 `rank_lstm.py`

rank_lstm.py 是用于训练Rank_LSTM模型的脚本。Rank_LSTM模型是一个基于LSTM的股票排名模型。

2.2 `relation_rank_lstm.py`

relation_rank_lstm.py 是用于训练Relational Stock Ranking模型的脚本。该模型结合了LSTM和关系网络，用于股票预测。

启动命令示例

# 训练Rank_LSTM模型
python rank_lstm.py

# 训练Relational Stock Ranking模型
python relation_rank_lstm.py -rn wikidata -l 16 -u 64 -a 0.1

3. 项目的配置文件介绍

项目中没有显式的配置文件，但可以通过命令行参数进行配置。以下是一些常用的命令行参数：

-rn: 指定关系类型，例如 wikidata 或 sector_industry。
-l: 指定LSTM的序列长度。
-u: 指定LSTM的单元数。
-a: 指定学习率。

示例配置

python relation_rank_lstm.py -rn wikidata -l 16 -u 64 -a 0.1

以上命令将使用 wikidata 关系数据，LSTM序列长度为16，单元数为64，学习率为0.1来训练Relational Stock Ranking模型。

4. 参考文献

如果使用该项目代码，请引用以下论文：

@article{feng2019temporal,
  title={Temporal relational ranking for stock prediction},
  author={Feng, Fuli and He, Xiangnan and Wang, Xiang and Luo, Cheng and Liu, Yiqun and Chua, Tat-Seng},
  journal={ACM Transactions on Information Systems (TOIS)},
  volume={37},
  number={2},
  pages={27},
  year={2019},
  publisher={ACM}
}