项目背景
股票数据往往是按照时间变化的数据,通过历史数据的变化趋势来对未来进行预测。对这种针对历史数据间存在依赖关系建模的方式称为时间序列模型。除了金融数据以外,天气预测,地震预测等等都是时间序列模型。
项目内容
除了传统的时间序列算法建模(如arima,garch)以外,越来越多的研究者开始使用深度学习来解决时间序列的预测问题。对于金融时间序列预测这种复杂模式的难题,深度学习能更好的捕捉到其内在的规律。本项目将使用一种基于seq2seq模型(encoder和decoder模型),并结合注意力机制的方法来进行时间序列的预测。该时间序列模型将应用到股票数据上,对股票的价格进行预测。
你将收获
- 数据科学硬技能与软实力双提升
- 针对热点课题完成的Python代码与报告
- 与目标专业匹配的对口经历
- 课程与项目证书