金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）

1.使用CNN模型预测未来一天的股价涨跌-CNN（卷积神经网络）

使用CNN模型预测未来一天的股价涨跌

数据介绍

open 开盘价；close 收盘价；high 最高价

low 最低价；volume 交易量；label 涨/跌

训练规模

特征数量×5；天数×5 = 5 × 5

卷积过程

最大池化过程

代码流程

1. 获取股票数据
2. 数据归一化
3. 数据预处理（划分成5×5）
4. 数据集分割（训练集和测试集）
5. 定义卷积神经网络
6. 评估预测模型

模型架构

码源链接见文末跳转

文末链接跳转

2.基于LSTM预测股票价格（长短期记忆神经网络）

基于LSTM预测股票价格（简易版）

数据集：

沪深300数据

数据特征：

只选用原始数据特征（开盘价、收盘价、最高价、最低价、交易量）

时间窗口：

15天

代码流程：

读取数据->生成标签(下一天收盘价)->分割数据集->LSTM模型预测->可视化->预测结果评估

LSTM网络结构：

函数介绍：

1、generate_label 生成标签（下一天收盘价）

2、generate_model_data 分割数据集

3、evaluate 结果评估

4、lstm_model LSTM预测模型

5、main 主函数（含可视化）

可视化输出：

训练集测试集拟合效果：

评估指标：

1、RMSE：55.93668241713906

2、MAE：44.51361108752264

3、MAPE：1.3418267677320612

4、AMAPE：1.3420384401412058

3.基于随机森林预测股票未来第d+k天相比于第d天的涨/跌Random-Forest（随机森林）

基于随机森林预测股票未来第d+k天相比于第d天的涨/跌（简易版）

参考论文：Predicting the direction of stock market prices using random forest

论文流程：

算法流程：

获取金融数据->指数平滑->计算技术指标->数据归一化->随机森林模型预测

函数介绍：

1、get_stock_data 通过Tushare获取原始股票数据

2、exponential_smoothing、em_stock_data 股票指数平滑处理

3、calc_technical_indicators 计算常用的技术指标

4、normalization 数据归一化处理并分割数据集

5、random_forest_model 随机森林模型并返回准确率和特征排名

决策树：

（1）ID3: 基于信息增益大的数据特征划分层次

（2）C4.5: 基于信息增益比=信息增益/特征熵划分层次

（3）CART: 基于Gini划分层次

基于Bagging集成学习算法，有多棵决策树组成（通常是CART决策树），其主要特性有：

（1）样本和特征随机采样

（2）适用于数据维度大的数据集

（3）对异常样本点不敏感

（4）可以并行训练（决策树间独立同分布）

算法输出：

注意：算法仅用于参考学习交流，由于是研一时期独立编写（以后可能进一步完善），所公开的代码并非足够完善和严谨，如以下问题：

1. 模型涉及参数未寻优（可考虑网格搜索、随机搜索、贝叶斯优化）

   1. 指数平滑因子

   2. 随机森林模型树数量、决策树深度、叶子节点最小样本数等

   3. 未来第k天的选择

   4. 归一化方法

2. 随机森林模型其实本身不需要数据归一化（如算法对数据集进行归一化也需要考虑对训练集、验证集、测试集独立归一化）

3. 股票预测考虑的数据特征：

   1. 原始数据特征（open/close/high/low）

   2. 技术指标（Technical indicator）

   3. 企业公开公告信息

   4. 企业未来规划

   5. 企业年度报表

   6. 社会舆论

   7. 股民情绪

   8. 国家政策

   9. 股票间影响等

4.模型输出结果

5.随机森林参数优化参考表

4.基于ARMA预测股票价格-ARMA（自回归滑动平均模型）

基于ARMA预测股票价格（5分钟数据）

1.检测数据平稳化

2.差分/对数等数据处理

3.使用ARMA模型预测

备注：部分代码参考网络资源

5.金融时间序列相似度计算

5.1.皮尔逊相关系数（ pearson_correlation_coefficient）

1.1 由于不同股票价格范围差距过大，在进行股票时间序列相似度匹配过程中通常考虑对数差处理，其公式如下所示：

1.2经过对数差处理后的金融时间序列可表示：

1.3皮尔逊相关系数计算公式：

1.4结果

1.4.1相关性较强

1.4.2相关性较弱

5.2.动态时间规整（dynamic_time_wrapping）

2.1 计算两个金融时间序列的时间点对应数据的欧氏距离

2.2 更新时间点对应数据的距离

2.3 动态时间规整距离

2.4 伪代码

2.5 动态时间规整距离输出图举例

2.6 动态时间规整最优匹配对齐

2.7结果

2.7.1动态时间规整距离较短

2.7.1动态时间规整距离较长

5.3.余弦相似度（cosine similarity）

6.金融时间序列（其他）

6.1.计算特征方差（calc_variance.py）

open 161211.21669504658
close 161415.73886306392
high 166077.6958545937
low 156622.3645795179
......

6.2.绘制混淆矩阵（confuse_matrix.py）

6.3.特征间相关性（corr.py）

6.4.绘制预测模型性能——柱状图（result_bar.py）

6.5.绘制预测模型性能——折线图（result_plot.py）

6.6.相似金融时间序列绘制（similarity_time_series.py）

6.7.计算分类的评价指标（evaluation.py）

（1）准确率Accuracy

（2）精确率Precision

（3）召回率Recall

（4）特异度Specificity

（5）综合评价指标F-measure

（6）马修斯相关系数MCC(Matthews Correlation Coefficient)

6.8.窗口数据归一化（normalization.py）

（1）z-score标准化（std）

（2）最大最小归一化（maxmin）

6.9.股票数据下载（download.py）

（1）tushare接口

（2）JQdata接口

6.10.roc曲线绘制（roc.py）

6.11.混淆矩阵绘制（confusion_matrix.py）

6.12.卡尔曼滤波（kalmanfilter.py）

6.13.蜡烛图 (candle.py)