JordiCorbilla/stock-prediction-deep-neural-learning

解决的问题

提供一个严谨的金融时间序列预测研究环境，超越单纯的视觉图表追踪，衡量深度学习模型是否真正具备相对于朴素基准的样本外预测能力。

运作方式

此项目使用基于 TensorFlow 的 LSTM 模型来预测价格、回报和趋势。它实现了多种模型版本，包括一个共享的多任务架构（v8），同时预测移动方向和幅度。为确保科学有效性，它采用严格的评估协议，包含独立的训练、验证和测试集，并使用扩展窗口的滚动前进分割。它还包含一个「金融预测竞技场」来比较多个资产或时间范围，以及一个回测模块，在考虑交易成本的情况下评估方向性策略。

适用对象

对将深度学习应用于金融市场预测，并使用严谨统计基准评估模型表现的量化研究人员和开发者。

重点特色

• 多版本 LSTM 架构：支持多种模型（v7、v8、v9），用于价格、回报和趋势残差目标。
• 朴素基准基准测试：计算「RMSE 技能」以判断模型是否胜过简单的「明日价格 = 今日价格」基准。
• 严谨验证：实现时间顺序的扩展窗口分割，以防止数据泄漏。
• 交易诊断：包含计算年化回报、类似夏普的诊断指标，以及考虑交易成本的最大回撤工具。
• 可重现性套件：记录实验种子、运行时元数据和数据哈希，以确保研究可被复制。
• 不确定性估计：为一步预测残差提供情境路径和对称共形区间。