Index_guess_up_or_down_with_nn

有个猜涨跌的活动，在每天1点前预测当天上证指数的涨跌，刚好最近在学神经网络，因此就想训练模型验证一下相关性。

先说结论：分别使用MLP、RNN、GRU、LSTM、Transformer，在测试集上获得了81%的正确率，具体训练log在train_log.txt

这里主要介绍how to run，有关代码的运行结果可以看 https://www.zhihu.com/question/54542998/answer/3568996469

运行

运行环境

Python 3.10.1

数据集

链接: https://pan.baidu.com/s/1QlCrU89CsLDjSfSiX3gfmw 提取码: ce6v

然后修改 data_process.py 中的

pre_process_file_dir = "D:/data/stock_market/Index/"

为正确的路径

训练集： 720 个指数，时间跨度2004-06-13 -> 2024-05-01

测试集： 720 个指数，时间跨度2024-05-01-> 2024-06-14

评估集： sh000001, sz399808 指数，时间跨度 2024-05-01-> 2024-06-14，评估集较小，单纯用来看下实际性能

train

total_batch_size = 65536
batch_size = 65536
input_size = 121
hidden_size = 512
n_head = 2
output_size = 2
num_hidden_layers = 20
learning_rate = 2e-3
train_num_epochs = 10
max_load_data = 20000000
weight_decay_rate = 0.0
model_type = "MLP"  # MLP, MLP_Residual, MLP_Tanh, RNN, GRU, LSTM, Transformer
Data_norm_rate = 100000000.0
dummy_class = 0

• 可调的超参数如上，可忽略 MLP_Residual, MLP_Tanh 两个model

        for data, labels in train_loader:
            data, labels = data.to(device), labels.to(device)
        # prefetcher = my_data_process.data_prefetcher(train_loader)
        # data, labels = prefetcher.next()
        # while data is not None:
            # 前向传播
            with torch.no_grad():
                data = Data_norm_rate * (data / data[:, 0].unsqueeze(1) - 1)
             
            # 中间省略
            
            total_loss += loss.detach()
            # data, labels = prefetcher.next()

• 当前代码使用cpu训练会报错，需要修改 train.py 中的 train_loop 和 eval_model 两个函数，示例如上

reason

预测当天的指数涨跌类型

today 2024-07-21 is not TradeDay

• 如果是非工作日则不会运行

today = today - datetime.timedelta(days=2)

• 可以通过手动修改日期来测试

2024-07-19
0 26.45% 73.55% -0.08% True False
1 86.12% 13.88% 0.83% True True

• 字段含义是 指数类别 涨的概率 跌的概率 到当天中午的涨跌幅度 预测的值是否和当前涨跌方向一致 预测的值是否和真实值一致(如果是历史数据会有这一项)

• 0 1 分别由index_name_list = ["sh000001", "sz399808"] 定义

当前默认的模型 MLP_e_2_tiran_79.02_test_81.19_val_83.57_bs_65536_as_1.0_is_121_hs_512_nh_2_os_2_nhl_20_lr_0.002_wd_0.0_ds_20000000_model_weights.bin 的预测概率如下

• 可以看出预测的概率和真实概率在测试集上存在线性关系