Neural-Net-with-Financial-Time-Series-Data 是一个开源软件项目，利用内生因素预测金融资产的每日对数收益率。该项目集成了多种技术指标（如随机指标、移动平均收敛/发散振荡器），并通过带有热重启的随机梯度下降法（SGDR）和余弦退火策略来训练 LSTM 神经网络。这种灵活的架构允许您在不需自行重写代码的情况下，使用 Nvidia CuDNN 进行高效计算部署。超参数则通过贝叶斯搜索进行精细调优。

最新结果：

当前 LSTM 模型用于预测每日对数收益率的结果。

旧模型结果

该旧模型使用 LSTM 预测股票价格。

LSTM 单元

这是我们模型中使用的 LSTM 单元。

由于模型中实现了 CuDNN LSTM 和批量归一化，它比普通 LSTM 单元更快。

更新：

2017年3月26日 第一次更新

1. 代码中新增了基于 LSTM 的循环神经网络。
2. 同时实现了 Keras 与 TensorFlow 的集成。
3. 代码中还加入了 TensorBoard，用于神经网络的可视化。

2017年4月14日 第二次更新

1. 调整后的收盘价已进行归一化处理。
2. 为简化操作，实现了一个新的数据下载工具。
3. 增加了更多用于预测调整后收盘价的变量。
4. 结果更加准确，均方误差显著降低。
5. 新增了收盘价的可视化展示。
6. 反归一化问题即将修复。
7. Twitter 情感分析目前正处于测试阶段。

2017年4月16日 第三次更新

1. 更新了反归一化方法。
2. 提供了更多测试结果。

2017年4月18日 第四次更新

1. 更新了来自 Kaggle 的纽约证券交易所基本面数据。

2017年4月19日 第五次更新

1. 支持 Windows 10 上的 Python 3.5。
2. 准确性有了显著提升。

2017年4月29日 第六次更新

1. 添加了自 1970 年以来的 ^GSPC 数据，训练数据量增加，模型准确性更高。
2. 提供了 7 年的测试数据。
3. 采用面向对象编程。
4. 对 Dropout 的超参数进行了测试。

2017年5月8日 第七次更新

1. 所有超参数均已测试完毕，并上传了相关结果。
2. 修复了数据加载器的注释。
3. 接下来将加入更多技术分析指标，如成交量、移动平均线及其他指数。

2017年5月28日 第八次更新

1. 使用 Quandl 替代 Pandas datareader。
2. 新增了相关性热力图。
3. 网络输入采用调整后的 OHLCV 数据。
4. 所有功能均可从 lstmstock.py 中加载。
5. 为没有 Quandl 账户的用户临时提供了 Quandl API 密钥。
6. 新增了移动平均线。

2017年10月2日 第九次更新

1. 事件驱动分析。
2. 切换至 TensorFlow LSTM 模型。

2018年6月25日 第十次更新

1. 完全重写了新闻下载工具，移除了 Newsapi，以便免费获取完整的 NYTimes 数据。
2. 新增了移动平均收敛/发散振荡器（MACD）、随机振荡器以及平均真实波幅等指标用于模型训练。
3. 目标变量现改为对数收益率。
4. 使用 Keras 架构于 TensorFlow 之上。
5. 采用 SKLearn 的随机搜索进行优化。

2018年10月11日 第十一次更新 应用了多项前沿技术：

1. 使用 CuDNN LSTM 加速训练。
2. 采用带有热重启的随机梯度下降法。
3. 应用余弦退火策略。
4. 使用贝叶斯搜索优化超参数。
5. 引入新的数据划分方法。
6. 提供了数据集。
7. 使用 HDF 文件以加快读取速度。

如何使用 Quandl

如果您希望使用更多数据来训练您的神经网络，可以直接从 Quandl 加载数据。 登录后，您应该能够获取特定股票的历史价格数据。 请使用“Export > Python > api key”选项，并将 API 密钥插入到您的模型中。 https://www.quandl.com/databases/WIKIP

参考文献：

Bernal, A., Fok, S., & Pidaparthi, R. (2012). 利用循环神经网络预测金融市场时间序列。

Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). 时间序列分析：预测与控制。约翰·威利出版社。

Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., ... & Cai, J. (2015). 卷积神经网络的最新进展。arXiv 预印本 arXiv:1512.07108。

Hutto, C.J. & Gilbert, E.E. (2014). VADER：一种基于规则的简约情感分析模型，适用于社交媒体文本。第八届国际博客与社交媒体会议（ICWSM-14）。密歇根州安娜堡，2014年6月。

Jaeger, H. (2001). “回声状态”方法：用于分析和训练循环神经网络——附勘误说明。德国波恩：德国国家信息技术研究中心 GMD 技术报告，第 148(34) 号，第 13 页。

Jaeger, H. (2002). 循环神经网络训练教程，涵盖 BPPT、RTRL、EKF 以及“回声状态网络”方法（第 5 卷）。GMD 信息技术研究中心。

Maass, W., Natschläger, T., & Markram, H. (2002). 无需稳定状态的实时计算：一种基于扰动的新神经计算框架。神经计算，第 14 卷，第 11 期，第 2531–2560 页。

Neural-Net-with-Financial-Time-Series-Data 快速上手指南

本项目是一个开源软件，利用内生因素（如技术指标）预测金融资产的每日对数收益率。模型基于 LSTM 神经网络，采用带有热重启的随机梯度下降（SGDR）和余弦退火策略进行训练，并支持 Nvidia CuDNN 加速。超参数通过贝叶斯搜索进行优化。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Windows 10 (已验证), Linux, macOS
• Python 版本: Python 3.5 或更高版本（推荐 Python 3.6+）
• 硬件加速: 推荐使用配备 Nvidia GPU 的环境以启用 CuDNN 加速（可选，但能显著提升训练速度）
• 前置依赖:
  • TensorFlow
  • Keras
  • Scikit-Learn (用于随机搜索和优化)
  • Pandas, NumPy
  • Quandl (数据源，需注册获取 API Key)
  • h5py (用于读取 HDF 文件加速)

提示：国内用户建议使用清华源或阿里源安装 Python 依赖包，以提升下载速度。 例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目仓库

   git clone https://github.com/BenjiKCF/Neural-Network-with-Financial-Time-Series-Data.git
   cd Neural-Network-with-Financial-Time-Series-Data
   

2. 安装 Python 依赖 项目中未提供 requirements.txt，请手动安装核心依赖库：

   pip install tensorflow keras scikit-learn pandas numpy quandl h5py matplotlib
   

   (国内加速示例):

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow keras scikit-learn pandas numpy quandl h5py matplotlib
   

3. 配置数据源 (Quandl) 本项目主要使用 Quandl 获取历史股价数据。

   • 访问 Quandl WIKIP 数据库 并注册账号。
   • 登录后获取您的 API Key。
   • 将 API Key 配置到代码中（通常在数据加载模块 lstmstock.py 或相关配置文件中查找替换位置）。

基本使用

本项目采用面向对象编程结构，核心功能封装在 lstmstock.py 中。以下是运行模型的基本流程：

1. 数据准备 确保已配置好 Quandl API Key。项目会自动下载调整后的 OHLCV（开盘、最高、最低、收盘、成交量）数据，并计算技术指标（如 MACD、随机振荡器、平均真实波幅等）。

2. 运行训练与预测 由于项目重构为模块化结构，您通常需要编写一个简单的入口脚本或直接修改主文件来执行。以下是一个概念性的调用示例（具体类名请参考 lstmstock.py 中的定义）：

   from lstmstock import StockModel  # 假设的主类名，请以实际文件为准
   
   # 初始化模型
   model = StockModel(
       ticker='AAPL',          # 股票代码
       use_cudnn=True,         # 启用 CuDNN 加速
       hyperparam_opt='bayes'  # 使用贝叶斯搜索优化超参数
   )
   
   # 加载数据并预处理 (包含归一化和技术指标计算)
   model.load_data()
   
   # 构建 LSTM 网络 (包含批量归一化)
   model.build_network()
   
   # 训练模型 (使用 SGDR 和余弦退火)
   model.train(epochs=50)
   
   # 预测每日对数收益率并可视化结果
   model.predict_and_plot()
   

   注意：由于原 README 未提供具体的命令行入口命令，实际操作中请直接运行项目根目录下的主执行脚本（如有），或在 Python 环境中导入 lstmstock 模块并按上述逻辑调用。项目已包含自 1970 年以来的 ^GSPC 数据及测试数据集（HDF 格式），可直接加载使用。

3. 查看结果 运行结束后，程序将生成预测值与真实值的对比图（Predicted vs True），并输出均方误差（MSE）等评估指标。您可以利用 TensorBoard 查看神经网络的可视化训练过程。