machine_learning_in_select_stock

第一份工作，给老板写一个选股的模型

用到的工具是tushare。 这个工具有点麻烦，在安装的时候需要失败后安装它提示的一些package。并不是因为pip的原因。tushare安装过程中会提示你需要安装的包名称，按照它提示的去安装完所有的支持包，就能正常使用。

第一份计划：已经实现，初步准确度为百分之40多，需要改进。（神经网络层数）

设计方案

通过对每只股票基本面数据的规整，得到影响企业股票价格的企业各方面数据，把企业的运营数据和生产数据作为深度学习的特征进行整合和清洗；获得每只股票的股票数据，设定在该年度持有该股票期限为半年，随机抽取100天的半年的收益率并计算总收益率的平均值。将所有股票收益率分类并在基本面数据后进行标注，获得每只股票的基本面数据和收益率分类的总数据。对该数据进行分层抽样分离数据集，对测试集进行深度学习，然后获得的模型用验证集学习。对比验证集学习后的标签和原标签对比，获得正确率，评估模型效果。

步骤

tushare安装

获得2016年全年的每只股票基本面数据

持有期半年股票数据收益率计算并分类（4类）

获得2015/06/01 - 2016/12/31的每只股票日线前复权股市数据

add a column named['profit_half_year_ago'] at the end of the dataframe, data comes from the 2015/06/01 of '开盘价'

add a column named['profit_rate'] at the end of the dataframe

df['profit_rate'] = (df['收盘价'] - df['profit_half_year_ago'])/df['profit_half_year_ago'])

delete all columns except df['profit_rate']

remove 2015/06/01 - 2015/12/31 data, random select 100 days and calculate the mean values.

add the mean values named ['profit_rate'] to the end of related code

deeplearning of datasets

Code in the fold for review.

基于第一份计划基础上，改进

设计方案

通过对季报的数据规整，由前三个季度的季报数据去预测后两个季度的数据。前三个月的季报数据为：净利润，营业收入，毛利率，速动，每股收益增长率，净资产收益率，存货周转率，总资产增长率，利息支付倍数。后两个季度的数据为后两个季度的股票收盘价涨跌取平均，然后分成四类，依次标注。