Как новичок, желающий узнать о машинном обучении, я решил заняться экспериментальным проектом — построить модель для прогнозирования цен на одну акцию. Этот пост представляет мой путь к созданию модели LSTM (Long Short-Term Memory network) шаг за шагом.
Я выбрал BHP в качестве своего первоначального тестового примера для моделирования, поскольку это крупная компания с диверсифицированными ресурсами и обширной доступностью исторических данных. Хотя я могу оценить другие акции, такие как Sony, в будущем.
Моя цель — задокументировать процесс в образовательной и прозрачной форме. Я планирую поделиться источниками данных, инструментами, методами, кодом, результатами и извлеченными уроками в серии сообщений.
Для начала я создал высокоуровневую сквозную диаграмму рабочего процесса с ключевыми этапами:
Я начну со сбора и подготовки трех ключевых категорий источников данных:
- Исторические ценовые данные
- Фундаментальные данные, такие как финансовые отчеты
- Соответствующие макроэкономические показатели
История цен будет служить основным временным рядом, на котором LSTM будет учиться. Фундаментальные и макрофакторы обеспечат дополнительный контекст.
В следующих постах я углублюсь в:
- Очистка данных и предварительная обработка
- Проектирование архитектуры нейронной сети LSTM
- Обучение и оценка модели
- Делать прогнозы и оценивать точность
Следите за мной, чтобы учиться вместе со мной, пока я приступаю к созданию, обучению и тестированию этой модели прогнозирования временных рядов! Пожалуйста, делитесь любыми отзывами или идеями в комментариях.
