Python预测之美-数据分析与算法实战
评论
291 views
作者文章归档：course
精通API架构-设计，运维与演进-Books
评论
302 views
导论
设计，构建和测试API
设计 构建和规范API
API 接口测试
API 流量管理
API 网关：入口流量管理
服务网格： 服务间流量管理
API 运维与安全
部署和发布API
运维安全性： API 的威胁建模
API 身份验证和授权
实用API 的演进架构
将应用程序重新设计为API 驱动的架构
实用API 基础设施向云平台演进
总结
预测中国A股下一个交易日的全天5分钟级别的价格-V02
评论
334 views
1. 数据收集与处理
1.1 数据源
- 基础数据：A股的历史交易数据，包括
开盘价、收盘价、最高价、最低价、成交量等，可以使用Tushare或Akshare等API进行获取。 - 数据频率：需要5分钟级别的OHLCV数据。这意味着每5分钟会有一次更新的数据点。
- 市场情绪与资金流向：除了价格数据，情绪数据（新闻、社交媒体）和资金流向（主力资金、行业资金等）是非常重要的。可以通过
舆情分析、热度分析以及资金流向来增加模型的预测能力。
1.2 数据清理与预处理
- 缺失值与异常值处理：金融数据常常存在缺失或异常，需要使用插值法、均值填充、异常值检测（如IQR、Z-Score）等技术来处理。
- 时间序列...
预测中国A股下一个交易日的全天5分钟级别的价格-V01
评论
362 views
要预测中国A股下一个交易日的全天5分钟级别的价格，基本上需要以下几个步骤来构建模型和实现方案：
1. 数据收集与准备
- 历史数据：获取A股的历史价格数据，最好是高频数据（如5分钟级别的OHLCV数据：开盘价、最高价、最低价、收盘价和成交量）。可以通过
akshare、tushare等API来获取。 - 数据清理：处理缺失值，去除异常值，确保数据的质量。时间序列数据需要对齐，确保没有错过任何一个时间点。
-
特征工程：为模型构建相关特征，例如：
-
技术指标：移动平均线（MA）、相对强弱指数（RSI）、MACD等。
- 成交量特征：成交量与成交价的比值。
- 资金流向：主力资金的流入流出情况。
- 行业数据...
申万一级行业-
评论
566 views
申万一级行业是申银万国证券对行业的划分方法，从投资管理角度出发，同时考虑实际研究需要，将上市公司划分为31个一级行业、124个二级行业和395个三级行业。以下是对申万一级行业的具体介绍：
上游资源行业
- 石油石化：包括油气开采、炼化等环节，是能源和化工产品的重要来源。该行业具有强周期性，受国际油价、地缘政治等因素影响较大，代表公司有中国石油、中国石化等。
- 煤炭：主要从事煤炭开采与加工，为电力、钢铁等行业提供基础能源。煤炭行业的发展与宏观经济形势密切相关，需求波动较大，代表公司有中国神华、陕西煤业等。
- 有色金属：涵盖金属矿石开采、冶炼及能源金属如锂、钴等的生产。有色金属价格波动频繁，受全球...
时间序列预测-数据量大小-预测方式选择
评论
482 views
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...
windows-激活虚拟环境
评论
423 views
PS D:\01-sourceCode\02-AICDA\predict-price-model> Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser PS D:\01-sourceCode\02-AICDA\predict-price-model> ..venv\Scripts\Activate.ps1
中国A股市场5分钟级别数据预测系统设计文档
评论
428 views
中国A股市场5分钟级别数据预测系统设计文档
1. 项目概述
1.1 目标
使用深度学习模型（LSTM/Transformer）基于过去24个交易日的5分钟级别历史数据，预测下一个交易日全天的5分钟级别市场数据（48个时间点）
1.2 核心挑战
- 超长序列预测（输入6912点 → 输出48点）
- 中国A股特有市场规则（涨跌停、T+1、交易时段）
- 高频数据噪声与市场突发事件影响
- 散户主导市场的情绪化波动
1.3 适用范围
- 沪深300成分股及指数ETF（510300等）
- 交易日正常开市时段（9:30-11:30, 13:00-15:00）
- 非极端行情时期（避免熔断、股灾等异常情况）
2....
mplfinance-金融数据可视化设计
评论
458 views
mplfinance 是基于 Matplotlib 的 Python 库，专为金融数据可视化设计，提供了简洁的 API 用于创建专业的金融图表。以下是其核心功能与使用示例：
主要功能
-
K线图（Candlestick Charts）
展示开盘价、收盘价、最高价、最低价，直观反映价格波动。 -
OHLC 图表
简化版 K 线图，用线段表示价格区间。 -
成交量图表
显示交易量与价格的关系，支持与价格图表叠加或分屏显示。 -
移动平均线
支持多种周期的 SMA、EMA 等均线指标。 -
技术指标叠加
可添加 MACD、RSI、Bollinger Bands 等...
时间序列预测-确定性过程建模
评论
435 views
在时间序列预测中，确定性过程建模是指识别和建模时间序列中那些非随机、可预测、有规律可循的组成部分。这些成分通常由已知的、固定的模式驱动，而不是由随机波动主导。
理解时间序列的典型分解有助于理解确定性过程：
- 趋势： 序列长期表现出的上升、下降或水平移动。例如，人口增长、技术普及带来的销量上升。
- 季节性： 在固定周期（如一天、一周、一月、一年）内重复出现的模式。例如，每日用电高峰、季节性商品销售、节假日效应。
- 周期性： 在非固定周期（通常长于季节性周期）内出现的波动，通常与经济周期相关。其频率和幅度不如季节性稳定。例如，房地产周期、大宗商品价格周期。
- 特殊事件/干预： 已知的一次性或短期事...