代做股票预测需求和技术路径程序、代写Tensorflow、keras、lstm

日期：2018-05-23 02:01

一、数据准备

（一）给定股票日线数据，txt格式。格式如下:

数据列表内容=['open','high','low','close','vol','value']

（二）每行数据后面增加macd和kdj（仅j线）的日、2日、周、月等四个周期的数据，将macd、kdj（仅j线）多周期叠加作为输入变量。可增加自定义指标。

Macd公式：

input:p(26,20,100),s(12,5,40),m(9,2,60);

DIFF : EMA(CLOSE,S) - EMA(CLOSE,P);

DEA  : EMA(DIFF,M);

MACD : 2*(DIFF-DEA), COLORSTICK

Kdj公式：

input:n(9,1,100),p1(3,2,40),p2(3,2,40);

RSV:=(CLOSE-LLV(LOW,N))/(HHV(HIGH,N)-LLV(LOW,N))*100;

K:SMA(RSV,P1,1);

D:SMA(K,P2,1);

J:3*K-2*D;

月、周、2日、日需要你看一下talib，应该可以的。如果不成再商量。

二、构建模型

采用Tensorflow、keras、lstm等技术训练和拟合数据。

（一）训练目标

目标好=20日最大涨幅>30%+20天末期涨幅>0；历史指标输入=20日内macd+kdj（仅j线）多周期叠加到日线。

目标坏=20日最大跌幅>20%+20天末期涨幅<0。

采取三分类法将所有好图形分类，求出好的概率和坏的概率（好图形并不一定都真好）。好的概率=好的数量\本图形总数，坏的概率=坏的数量\本图形总数。

日线横向周期及涨幅可自定义。

（二）训练数据

将历史数据分为训练集、验证集和测试集。

计算三率：

精确率 =真正例数/（真正例数 +假正例数）

召回率 =真正例数/（真正例数 +假负例数）

准确率 =正确的预测数/样本总数

三、预测实现

（一）初步决策概率=实盘个股好的概率-实盘个股坏的概率，并排序。

（二）以上述数据库为基础，逐日推演5天，得出5日平均概率。

（三）综合上述两个概率，得出最终决策概率。

（四）将自定义功能集成到一个对话框。

（五）用统计方式实现上述需求。

四、注释和答疑

能够教会甲方弄懂和独立操作，要点如下：

（一）体现总体需求和流程

（二）每个模块功能

（三）各部分联系点

（四）容易出现问题的关键点

（五）需要请教的问题