使用autoencoder技术提取特征并降维

最新推荐文章于 2025-04-04 13:28:17 发布

weixin_47178719

最新推荐文章于 2025-04-04 13:28:17 发布

阅读量2.6k

点赞数

文章标签： python auto-encoder deep learning

本文链接：https://blog.csdn.net/weixin_47178719/article/details/122281334

版权

本文介绍了如何在股票市场预测中解决高维问题，通过使用autoencoder（AE）技术进行特征提取和降维。首先，从tushare库获取股票历史数据，然后对OHLCV数据和金融技术指标进行归一化和转换为tensor。接着，采用sequitur库进行特征提取，设置encoding_dim以确定降维后的特征数量，并通过添加噪音提高模型的鲁棒性。encoder部分负责输出提取的特征。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

考虑到在针对股票市场的预测模型中的变量过多/维数过高问题，我们需要降维。这里我们使用autoencoder技术（AE）
首先本文使用调用tushare库提取股票历史数据。

pip  install tushare

#获取使用接口
def get_token():
    ts.set_token("xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx")
    pro=ts.pro_api()
    return pro

##获取数据列表
def get_data_list(cursor,sql,conn):
    cursor.execute(sql)
    res=cursor.fetchall()
    conn.commit()
    ts_codes_list=list(res)
    ts_codes_list=[",".join(list(x)) for x in ts_codes_list]
    return ts_codes_list
##获取数据
def get_data(ts_codes_list,pro):
    daily=pd.DataFrame(columns=["ts_code","trade_date"