LSTM股价预测（Tensorflow）
使用长短期记忆网络对股票价格进行预测（LSTM ）
MATLAB股票投资组合构建
使用matlab搭建均值方差模型，进行投资组合搭建
Python量化策略实现以及性能评估1.Buy and Hold 2.MA5和MA20均线策略3.RSI策略4.海龟策略
包括以下策略实现
1.Buy&Hold
2.MA5和MA60均线策略
3.RSI策略
4.海龟策略
5.性能评估包括：年化收益、年化波动率、夏普比率、索提诺比率、最大回撤等
Python爬取微博内容（账号密码登陆）
Python批量爬取微博内容（账号密码登陆）：信息提取，Xpath定位，Selenium+Xpath定位内容，extree解析数据。
tensorflow1.0_gpu的whl文件安装包
tensorflow1.0_gpu的whl文件安装包
基于Python强化学习PPO算法在中国A股市场的应用（构建投资组合）
（1）在中国A股市场15只股票上的应用
（2）构建投资组合
（3）每日调仓
（4）绘制收益率曲线
（5）PPO算法
Python电影智能推荐之Apriori算法（推荐）
电影智能推荐算法是根据顾客观看电影记录，分析各个顾客对电影的喜好关联程度，达到精准推送；
Apriori算法是第一个关联规则挖掘算法，也是最经典的算法。它利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接（类矩阵运算）与剪枝（去掉那些没必要的中间结果）组成。
沪深300每日交易数据2005年至2021年
包括收盘价、开盘价、最高价、最低价、成交量、涨跌幅，格式为pkl数据
Python飞机大战小游戏源代码（不能运行直接私信我），保证运行成功
python彩色有声音飞机大战源码
(1)有背景图片变换
(2)设置有音乐
(3)可以续命，三条性命
(4)可以全屏爆炸(空格键)
(5)吃了补给包，可以有单发子弹，双发子弹，三发子弹，三种形态
(6)有三种飞机型号(大中小)
(7)得分设置
(8)敌机还有血量显示(低于指定血量显示红色)
(9)飞机后座设置喷红色火焰
石油价格预测情感分析LSTM.zip
石油价格预测情感分析LSTM，通过对石油标题的进行情感分析，使用SVM，ARIMA，GARCH，LSTM模型进行预测
站长图片爬虫Python代码Scrapy框架
图片批量获取：Python爬虫代码Scrapy框架
强化学习与最优控制 最新最全课件资料.zip
总共13个章节，2021最新课件！！该书的名字叫《强化学习与最优控制》，作者是美国工程院院士、麻省理工大学的Dimitri P. Bertsekas教授。本书预计将于2019年由Athena Scientific（http://www.athenasc.com/）出版社出版问世，
vgg19-dcbb9e9d.pth
直接下载，之前在本地使用VGG19预训练模型，不女妖下载.pth文件到本地.chche中，之后再使用torchvision.models.vgg19(pretrained = True)就会自动从cache中读取。
处理后的销售数据.xlsx
淘宝网站2000多条手机销售信息，包括标题名称，手机品牌，销售价格，城市，销量，产品链接。可以做；销量分析，品牌分析，商家地点分析。价格区间分析。
电影推荐系统.xlsx
Apriori算法—电影推荐 - 用户观看电影记录（包含电影名称，编号，用户编号，电影类型），100721 条Excel数据
Python代码讲解：CEEMDAN+LSTM, SVR, MLP, CNN, BP, RNN, LSTM, GRU
Python代码讲解：CEEMDAN+LSTM, SVR, MLP, CNN, BP, RNN, LSTM, GRU
数据集：WTI原油价格预测数据集
2018/3/26-2023/2/28
划分比例8:2
标准化算法：MinMaxScaler
MCS-Test
MAE,MSE，MAPE, RMSE, R2
Python基于LSTM深度学习量化选择研究-全流程（包含数据和代码）
Python基于LSTM量化选股（数据-预处理-建模-预测-选股-回测全流程）
A股-沪深300股票指标的量化投资方法
预测-选股-投资-回测-性能评估
数据获取：获取A股沪深300指数成分股的历史股价和相关指标数据。
数据预处理：对获取的数据进行清洗、标准化和特征工程，以便用于模型的训练和预测。
模型建立：使用长短期记忆网络（LSTM）等深度学习模型构建股票价格的预测模型。
预测：利用建立的模型对未来一定时间段内的股票价格进行预测。
选股：根据预测结果和其他选股策略，选择具有投资潜力的个股。
投资：根据选定的股票进行投资操作，如买入或卖出。
回测：对投资策略进行回测，评估其在历史数据上的表现和风险。
性能评估：对回测结果进行分析，评估选股策略的盈利能力、风险水平和稳定性等指标。
Python机器学习技术指标量化选股全流程 (XGBoost / SVM /RF / DT)
Python机器学习量化选择的全流程简介，包括XGBoost、支持向量机（SVM）、随机森林（RF）和决策树（DT）的内容：性能评估
这里有一些关于Python机器学习量化选择全流程的性能评估指标：
1. 准确性（Accuracy）
2. 精确度（Precision）和召回率（Recall）
3. F1分数
4. AUC-ROC（曲线下面积）
5. 回报率（Returns）（夏普比率、最大回撤等
Python量化投资-市值加权+等权重+均值方差+最小方差模型
Python量化投资——市值加权+等权重+均值方差+最小方差模型
（1）均值方差策略，均值方差策略旨在通过最大化预期收益率的同时，最小化投资组合的方差（风险）。
（2）最小方差策略，与均值方差策略不同，最小方差策略不考虑投资组合的预期收益率，而是仅仅试图最小化投资组合的方差。
（3）市值加权策略，这是一种简单的投资组合配置策略，其中每个资产的权重与其市值成正比。
（4）等权重策略，在等权重策略中，投资组合中每个资产的权重是相等的。
Python基LSTM于分层注意力机制的股票新闻情绪识别
Python基LSTM于分层注意力机制的股票新闻情绪识别
(1) 从东方财富官网上获取情绪数据
(2) 对文本数据进行分词
(3) 标记积极词汇和消极词汇
(4) 构建LSTM分层注意力机制模型
(5) 热力图可视化分析
(6) 情感预测（指标评估）
Python原油价格预测+EMD+EEMD+CEEMDAN+LSTM
Python原油价格预测+EMD+EEMD+CEEMDAN+LSTM
使用三种模态分解算法EMD+EEMD+CEEMDAN分解原油价格序列
然后使用LSTM预测未来收益
Python碳价格时间序列预测（RNN、LSTM、GRU、CNN-LSTM、LSTM-Attn
）
本文采用欧盟碳排放交易体系下的欧盟碳排放配额(EUA)数据。
实验采用在2013年4月15日至2020年3月30日期间使用的相同大小的数据集，包括1797个样本。
前80% 的数据被选为训练集，其余20% 被选为测试集
学习5种模型
RNN、LSTM、GRU、CNN-LSTM、LSTM-Attn
Python粒子群优化算法解决TSP旅行商问题
Python代码+可视化：智能优化算法学习-粒子群算法（Particle Swarm Optimization, PSO）解决TSP问题
Python多因子选股全流程全部代码（包含数据）
（1）数据预处理，缺失值、异常值、以及数据标准化
（2）市场中性化
（3）IC和IR计算、单调性检验
（4）因子筛选
（5）策略回测
（6）性能评估、绘制收益率曲线（夏普比率、索提诺比率、累计收益率、平均收益率）
Python基于百度智能云平台股票资讯情感分析
Python基于百度智能云平台股票资讯情感分析
基于东方财富网的股吧资讯
（1）首先获取了贵州茅台的东方财富网咨询数据
（2）新闻进行处理合并
（3）获取百度智能云情感分析的接口
（4）对股票数据进行情感识别
（6）绘制情感得分和股票收益的走势图，分析相关结果
python基于机器学习和技术指标的涨跌趋势预测（考虑交易费）
python基于机器学习和技术指标的涨跌趋势预测（考虑交易费）
代码地址：https://gf.bilibili.com/item/detail/1103028052
（1）数据收集
（2）特征构造
（3）模型搭建
（4）模型预测
（5）模型评估、准确率、召回率、F1得分
（6）策略回测、long&short、SHort、Buy&Hold
（7）模型重要性分析
Python基于VaR在险价值分析
历史估计法、蒙特卡洛法、以及德尔塔法等
1%、5%、10%估计
VaR/CVaR
在金融领域，VaR（Value at Risk）是一种广泛使用的风险测量方法，用于估计投资组合或金融工具的潜在损失。VaR基于统计分析和历史数据，通过计算在特定置信水平下的预期最大损失来衡量风险。
基于机器学习的多因子预测选股全流程研究（包含因子数据和代码）
基于机器学习的多因子选股预测模型研究（全流程，包含数据）
1、数据获取
2、数据预处理
3、特征选择
4、划分训练集和测试集
5、机器学习模型构建（随机森林、线性回归、支撑向量机）
6、预测未来走势
7、选股+构造策略
8、收益曲线可视化绘制
9、模型评估
累积收益率、夏普比率、年化收益率等
Python股票多因子选股模型（PCA因子合成、等权重因子合成、综合打分法），压缩包中含有全部因子数据集
Python多因子选股模型
1.因子数据合并
2.行业中性化
3.数据标准化
4.异常值数据和离群点处理
5.PCA因子合成
6.等权重因子合成
7.综合打分法（IC值计算）
8.策略回测：选取前排名前20只股票买入
9.收益曲线绘制
包含以下因子数据：
成长因子：'企业倍数(EV除EBITDA)', '市净率PB(MRQ)', '市现率PCF(现金净流量TTM)', '市现率PCF(经营现金流TTM)', '市盈率PE(TTM)', '市盈率PE(TTM,扣除非经常性损益)', '市销率PS(TTM)', '股息率(近12个月)'
估值因子：'净利润同比增长率', '净资产同比增长率', '利润总额(同比增长率)', '基本每股收益(同比增长率)', '总资产同比增长率', '现金净流量同比增长率', '经营活动产生的现金流量净额(同比增长率)','营业利润(同比增长率)', '营业总收入(同比增长率)', '营业收入(同比增长率)'
Python机器学习泰坦尼克号生存者预测
Python逻辑回归和SVM预测幸存者
中国A股票财务数据（基础指标）
ts_code_all cfps q_profit_yoy q_sales_yoy roa roe profit_dedt debt_to_assets assets_turn Amplitude_20 Amplitude_60 pct_chg_20 pct_chg_60 cash_ratio close pe_ttm pb ps_ttm dv_ttm free_circ_mv free_share turnover_rate_f_mean20 turnover_rate_f_mean60 total_liab fif
标普500股票财务数据
gvkey tic datadate rdq tradedate fyearq fqtr conm datacqtr datafqtr gsector X1_REVGH X2_EPS X3_ROA X4_ROE X5_PE X6_PS X7_NPM X8_GPM X9_OM X10_PB X11_PCFO X12_CR X13_EM X14_EVCFO X15_LTDTA X16_WCR X17_DE X18_QR X19_DSI X20_DPO
y_return
Python机器学习-信用卡交易的欺诈检测（有数据集）
逻辑回归、KNN、决策树、SVM
Python机器学习-信用卡交易的欺诈检测（有数据集）
一：导入数据
二：检查空值、描述性统计
三：信用卡欺诈和不欺诈类别的比例
四：查看数据分布，不平衡数据可视化，通过查看分布，我们可以了解这些特征的偏斜程度
五：数据不平衡之下采样（二次抽样）
六：RobustScaler数据缩放
七：数据集划分
八：相关矩阵可视化、箱型图可视化
九：异常检测、删除异常值， 四分位距 (IQR)：我们通过第 75 个百分位和第 25 个百分位之间的差异来计算。
十：特征分布可视化分布
十一：降维和聚类可视化TSNE
十二：训练四种类型的分类器（逻辑回归、KNN、决策树、SVM）
十三：交叉验证可视化
十四：ROC曲线绘制
十五：AUC和Accuracy指标计算
GCN-GAT-Graphsage
图神经网络（Graph Neural Network，GNN）GCN/GAT/Graphsage
RSS订阅
6050
11
