machine-learning - 识别机器学习数据以做出预测

Question

作为学习练习，我计划实现一种机器学习算法(可能是神经网络)来根据买入、卖出的股票和交易时间来预测用户交易股票的收入。下面的数据集是我制定的测试数据。

缩写词:

tab=millisecond time apple bought
asb=apple shares bought
tas=millisecond apple sold
ass=apple shares sold
tgb=millisecond time google bought
gsb=google shares bought
tgs=millisecond google sold
gss=google shares sold

训练数据:

username,tab,asb,tas,ass,tgb,gsb,tgs,gss
a,234234,212,456789,412,234894,42,459289,0
b,234634,24,426789,2,234274,3,458189,22
c,239234,12,156489,67,271274,782,459120,3
d,234334,32,346789,90,234254,2,454919,2

分类:

a earned $45
b earned $60
c earned ?
d earned ?

Aim : predict earnings of users c & d based on training data

我应该向该数据集中添加任何数据点吗？我也许应该使用替代数据？由于这只是我自己创建的学习练习，因此可以添加任何可能有用的功能。

该数据需要标准化，还有其他我应该注意的概念吗？也许不应该使用时间作为特征参数，因为股票可以根据时间上下波动。

Answer 1

您可能想按以下顺序解决问题:

1. 根据所有股票的历史数据预测个股的 future 值(value)。
2. 根据投资组合和所有股票的历史数据预测股票的 future 总值(value)。
3. 管理投资组合的短期买卖策略。 (买入/卖出哪些股票的时间和金额)

如果你能在某只股票上做好 1) 的工作，那么这可能是 2) 的一个很好的起点。 3)可能是你的目标，但我把它放在最后，因为它更复杂。

我会在下面做出一些假设，并重点关注如何解决 1) 希望。 :)

我假设在每个时间戳，您都有一个包含所有可能特征的向量，例如:

• A公司的股价(这是目标值)
• 其他公司 B、C、...、Z 的股价(其他公司可能直接或间接影响 A 公司)
• A、B、C、...、Z 的 52 周最低价格(长期功能开始)
• A、B、C、...、Z 的 52 周最高价
• A、B、C、...、Z 的每月最高/最低价格
• A、B、C、...、Z 的每周最高/最低价格(短期功能开始)
• A、B、C、...、Z 的每日最高/最低价格
• 是 A、B、C、...、Z 的收入报告日(真正重要的功能开始)
• A、B、C、...、Z 的收入变化
• A、B、C、...、Z 的利润变化
• 来自 A、...、Z 社交网络的公司简介语义得分
• ...(想象力在这里很有帮助)

我假设您在每个固定时间间隔都具有几乎所有上述功能。

我认为lstm类神经网络在这里非常相关。