![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
代码
文章平均质量分 81
w淳淳淳淳
这个作者很懒,什么都没留下…
展开
-
05 多元时间序列回归(终)
到目前为止,我们的建模工作仅限于单个时间序列。 RNN 自然非常适合多变量时间序列,并且也是我们在时间序列模型中介绍的向量自回归 (VAR) 模型的非线性替代方案。导入各类包import warningswarnings.filterwarnings('ignore')%matplotlib inlinefrom pathlib import Pathimport numpy as npimport pandas as pdimport pandas_datareade...原创 2021-07-12 17:57:08 · 3815 阅读 · 1 评论 -
04 用于时间序列回归的堆叠 LSTM
这一节的前面部分的操作内容及LSTM的堆叠都与上一节完全一样,只是我们最终用途上有差别。03讲的是classification,04讲的是regression。导入各类包import warningswarnings.filterwarnings('ignore')%matplotlib inlinefrom pathlib import Pathimport numpy as npimport pandas as pdfrom scipy.stats import ...原创 2021-07-12 14:27:20 · 693 阅读 · 0 评论 -
03 用于时间序列分类的堆叠 LSTM
我们现在将使用 Quandl 股票价格数据通过堆叠两个 LSTM 层来构建一个更深的模型。 此外,我们将用到本质上不是连续的特征,即用于识别实体和月份的指标变量。导入各类包import warningswarnings.filterwarnings('ignore')%matplotlib inlinefrom pathlib import Pathimport numpy as npimport pandas as pdfrom scipy.stats import s...原创 2021-07-12 10:24:08 · 993 阅读 · 0 评论 -
02 单变量时间序列回归
02:单变量时间序列回归 本节演示了如何使用循环神经网络预测沪标准普尔500指数。导入和设置import warningswarnings.filterwarnings('ignore')%matplotlib inlinefrom pathlib import Pathimport numpy as npimport pandas as pdimport pandas_datareader.data as webfrom scipy.stats import ...原创 2021-07-12 09:09:37 · 918 阅读 · 0 评论 -
01 创建为 RNN 示例格式化的数据集(Build weekly dataset)
01 创建为 RNN 示例格式化的数据集(Build weekly dataset)构建每周数据集我们加载MAOTAIprices = (pd.read_hdf(DATA_DIR / 'assets.h5', 'quandl/wiki/prices') .adj_close .unstack().loc['2007':])prices.info()调整后的股价数据:...原创 2021-07-07 21:22:23 · 240 阅读 · 0 评论 -
01 创建为 RNN 示例格式化的数据集(Build daily dataset)
导入和设置import warningswarnings.filterwarnings('ignore')from pathlib import Pathimport numpy as npimport pandas as pdnp.random.seed(42)idx = pd.IndexSlice构建每日数据集DATA_DIR = Path('..', 'data')prices = (pd.read_excel(r'C:\Users\lenovo\Desktop\..原创 2021-07-07 18:16:45 · 443 阅读 · 0 评论 -
RNN 交易:多元时间序列和文本数据
本专题是基于《Machine Learning for Algorithmic Trading》(Second Edition)对RNN交易中的代码使用A股数据进行复现。RNN 交易:多元时间序列和文本数据 RNN 的主要创新是每个输出都是先前输出和新数据的函数。所以RNN 能够将先前观察的信息合并到它对新的特征向量执行的计算中,从而有效地创建具有记忆(memory)的模型。这种循环公式包括在循环的更深的计算过程中共享参数。可选择的架构包括长短期记忆 (LSTM) 和门控循环单元 (GR...原创 2021-07-07 12:53:19 · 1195 阅读 · 0 评论