surpriver下載 - surpriver源代碼下載

surpriver

其他源碼

1.0.0

下載

驚喜 - 在移動之前找到高移動的庫存

在使用異常檢測和機器學習移動之前，先找到高移動的庫存。驚喜使用機器學習來查看音量 +價格動作和推斷出異常的模式，這可能會導致股票的大動作。

文件說明

小路	描述
驚喜	主文件夾。
└字典	文件夾以保存數據字典以供以後使用。
└數字	該GitHub存儲庫的數字。
└股票	您要分析的所有股票的列表。
data_loader.py	從Yahoo Finance加載數據的模塊。
detuction_engine.py	用於在數據上運行異常檢測並查找具有最不尋常價格和數量模式的庫存的主要模塊。
feature_generator.py	生成價格和數量回報功能以及大量技術指標。

用法

軟件包

您將需要安裝以下軟件包來訓練和測試模型。

Scikit-Learn
numpy
TQDM
YFINANCE
貓熊
Scipy
ta

您可以使用以下命令安裝所有軟件包。請注意，該腳本是使用Python3編寫的。

 pip install -r requirements.txt

與Docker一起跑步

如果您知道它是什麼，並且對如何使用它有一些知識，也可以使用Docker。這是使用Docker運行工具的步驟。

首先，您必須構建容器： docker build . -t surpriver
然後，您需要將Docker-compose.yml.template的內容複製到一個名為Docker-compose.yml的新文件
將<C:\path\to\this\dir>用您正在使用的目錄。
通過執行docker-compose up -d來運行容器
通過準備docker exec -it surpriver 。

今天的預測

如果您想繼續前進並直接獲得最異常的庫存，則可以簡單地運行以下命令，以獲取具有最不尋常的模式的股票。我們將在以下各節中深入研究命令。

今天獲取最反常的股票

如果您沒有保存數據字典，並且您是第一次運行它。

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0

該命令將為您提供前25個股票，在60分鐘蠟燭的最後14個酒吧中的異常得分最高。它還將存儲用來在字典/data_dict.npy文件夾中存儲用於對預測進行預測的所有數據。以下是每個參數的更詳細說明。

TOP_N ：您想看到的大多數異常股票的總數。
min_volume ：音量過濾器。任何平均量低於此值的股票都將被忽略。
data_granularity_minutes ：用於分析的數據粒度。可用的選項是1分鐘，5分鐘，15分鐘，30分鐘，60分鐘。
歷史記錄：用於分析異常和異常模式的歷史條。
IS_SAVE_DICTIONARY ：是否保存在字典中用於分析的庫存數據。如果您想對數據進行進一步的分析，則可以節省您的時間。
data_dictionary_path ：將存儲數據的字典路徑。
IS_LOAD_FROM_DICTIONARY ：是從字典中加載數據還是直接從Yahoo Finance下載。您可以將上面保存在此處保存的字典使用多個運行。
IS_TEST ：您實際上可以通過將一些最新數據作為將來的數據來測試預測，並分析最異常的股票是否在預測之後移動最多。如果此值為1，則future_bars的值應大於5。
Future_bars ：這些條形數量將從最近的歷史記錄中保存，以進行測試。
output_format ：結果的格式。如果您通過CLI，則結果將打印到控制台。如果您通過JSON，將創建一個JSON文件，並在今天的日期中使用結果。默認值為CLI。

保存數據字典後，您只需運行以下命令即可。

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 0 --future_bars 0 --output_format 'CLI'

請注意IS_SAVE_DICTIONARY和IS_LOAD_FROM_DICTIONARY的更改。

這是單個預測的外觀的輸出。請注意，負分數表明較高的異常和異常模式，而正分數表示正常的模式。越低越好。

 Last Bar Time: 2020-08-25 11:30:00-04:00
Symbol: SPI
Anomaly Score: -0.029
Today Volume (Today = Date Above): 313.94K
Average Volume 5d: 206.53K
Average Volume 20d: 334.14K
Volatility 5bars: 0.013
Volatility 20bars: 0.038
Future Absolute Sum Price Changes: 72.87

歷史數據測試

如果您懷疑在交易中使用機器學習和人工智能，則實際上可以在此工具上測試有關歷史數據的預測。測試的兩個最重要的命令行參數是is_test和future_bars 。如果將前一個設置為1，而後者則將其設置為超過5的任何內容，則該工具實際上將留下大量數據以進行分析目的，並在此之前使用數據進行異常預測。接下來，它將查看其餘數據，以了解預測的表現。這是以下命令中散點圖的示例。

查找異常庫存並根據歷史數據進行測試

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 1 --is_test 1 --future_bars 25

如果您已經生成了數據字典，則可以使用以下命令將我們設置為is_load_from_dictionary為1，而is_save_dictionary將其設置為0。

 python detection_engine.py --top_n 25 --min_volume 5000 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 1 --data_dictionary_path 'dictionaries/data_dict.npy' --is_save_dictionary 0 --is_test 1 --future_bars 25

如上圖所示，異常的股票（得分<0）通常平均具有更高的絕對變化。這證明了這些預測實際上是針對那些在接下來幾個小時/天內移動超過平均水平的股票。這裡出現了一個問題，如果該工具只是選擇最高的波動率庫存怎麼辦，因為這些庫存將產生很高的絕對變化。為了證明情況並非如此，這是您從上面命令獲得的統計數據的更詳細的描述。

 --> Future Performance
Correlation between future absolute change vs anomalous score (lower is better, range = (-1, 1)): **-0.23**
Total absolute change in future for Anomalous Stocks: **89.660**
Total absolute change in future for Normal Stocks: **43.000**
Average future volatility of Anomalous Stocks: **0.332**
Average future volatility of Normal Stocks: **0.585**
Historical volatility for Anomalous Stocks: **2.528**
Historical volatility for Normal Stocks: **2.076**

您會看到普通與異常股票的歷史波動率沒有什麼不同。但是，與普通股相比，異常股票的絕對未來總變化的差異是兩倍。

支持加密貨幣

現在，您可以指定要使用哪些數據源以及要使用的庫存列表。

 python detection_engine.py --top_n 25 --min_volume 500 --data_granularity_minutes 60 --history_to_use 14 --is_load_from_dictionary 0 --data_dictionary_path 'dictionaries/feature_dict.npy' --is_save_dictionary 1 --is_test 0 --future_bars 0  --data_source binance --stock_list cryptos.txt