KittenCN/stock_prediction

解决的问题

本项目提供了一个用于股票价格时间序列预测的实验框架。它处理从数据获取、特征处理到模型训练、推理和评估的完整流程，让研究人员能够在金融数据上测试各种深度学习架构。

运作方式

该系统使用 PyTorch 实现了多种预测模型。它通过 API（例如 akshare）获取市场数据，将数据预处理为可用的格式，并训练模型来预测未来的价格走势。为了确保推理过程中的准确性，该项目将归一化参数与模型权重一起保存，以防止特征维度不匹配。

目标受众

专为对金融时间序列预测和深度学习实验感兴趣的研究人员与开发者设计。

特色亮点

• 多元模型支持：支持多种架构，包括 LSTM、Transformer、Hybrid、PTFT/VSSM、Diffusion 和 Graph 模型。
• 完整流程：包含用于数据抓取、预处理、训练和预测的整合脚本。
• 稳健验证：具备全面的测试套件，包含单元测试与整合测试，并通过 GitHub Actions 进行 CI 整合。
• 灵活配置：使用基于 YAML 的配置系统来管理特征和文件路径。