关于金融数据的模型预测调优

关于金融数据的模型预测调优

选取002581未名医药的股票作为实验数据,分别选取2018年1月1日到2020年1月1日的数据作为训练集,2019年1月1日到2021年1月1 日的数据作为测试集,选取2021年4月23日当天的数据作为predict来检验模型预测情况。设定涨幅大于0.3%,0.2%,0%的界限。

 

1、(此时训练集维度是4)

下面是运行情况。

2021年4月23日到2021年4月23日的数据为:

预测可得4月23涨和跌的概率相差不大

 

2、将训练集维度扩展为8,得到运行结果如下:

2021年4月23日到2021年4月23日的数据为:

 

预测可得4月23有很大概率涨幅大于0.3%

 

3、继续选取002581未名医药的股票作为实验数据,分别选取2018年1月1日到2020年1月1日的数据作为训练集,2019年1月1日到2021年1月1 日的数据作为测试集,选取2020年5月7日到2021年5月7日的数据作为predict来检验模型预测情况。

(此时训练集维度仍然是8),得到结果如下:

2020年4月23日到2021年4月23日的数据为:

涨幅基本为超过0%和负涨幅,偶尔有超过0.3%,002581未名医药的股票还算稳定。

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习回归预测模型是一种使用深度神经网络进行回归预测模型。回归预测是指根据输入数据的特征,预测连续的目标变量值。深度学习回归模型通过多个层次的神经元组成的网络来学习输入数据中的非线性关系,从而实现对目标变量的预测。 构建深度学习回归预测模型的一般步骤如下: 1. 数据准备:收集并预处理用于训练和测试的数据集。这包括数据清洗、特征选择和标签编码等。 2. 构建网络结构:选择合适的深度神经网络结构,如多层感知器(MLP)或卷积神经网络(CNN)。网络结构的设计应考虑输入数据的特征和目标变量的性质。 3. 模型训练:使用训练数据对深度学习模型进行训练。这涉及到选择适当的损失函数和优化算法,并迭代地更新模型的权重和偏置。 4. 模型评估:使用测试数据集评估模型的性能。常见的评估指标包括均方误差(MSE)、均方根误差(RMSE)和决定系数(R-squared)等。 5. 模型调优:根据评估结果对模型进行调优,如调整网络结构、超参数调整等,以提高模型的性能和泛化能力。 深度学习回归预测模型在许多领域都有广泛的应用,如金融预测、销售预测、房价预测等。它能够处理复杂的非线性关系,并具有较强的预测能力。然而,构建和训练深度学习模型需要大量的数据和计算资源,并且需要仔细调整模型参数以避免过拟合。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值