本專案將重點放在分析葛蘭碧突破後的股價走勢,並探討此時投信的買賣動向與股價變化之間的關聯性。
利用歷史數據,提取投信在股價突破當天及其前後的買賣行為,作為主要變數。
以股價的漲跌幅為目標變數,應用多種機器學習演算法(如隨機森林、支持向量機等),建立預測模型。
模型訓練與測試後,將評估投信介入後(即大量買入或賣出)的行為,對股價變動的影響程度,判斷是否能夠預測股價的上漲或下跌。
最終目的是透過投信數據的分析,預測葛蘭碧突破後股價的未來走勢,幫助投資者更精準地捕捉市場機會。
前言 在經過了前幾篇文章的鋪陳,我們已經了解了LSTM的基本運作原理,也學會了怎麼從API抓取所需的資料。不管是投信數據、葛蘭碧突破訊號,還是均線的挑選,這些...
前言 資料來源是訓練模型的第一步,乾淨的數據能讓我們的模型更準確。之前有提到用 FinMind API 抓收盤資料,這次我們聊聊其他取得台股收盤資訊的方式。 y...
前言 在上一篇文章中,我提到台股收盤資訊的取得有許多不同的管道,每個資料來源都有它的特點與限制。為了讓資料更加全面,我決定將多個來源的資料整合起來,避免單一來源...
前言 由於從FinMind平台下載的原始數據格式並非直接可用於模型訓練,我們需要進行一系列處理。這是我的流程圖: 本篇我們來講講針對三大法人資料,如何篩選出投信...
前言 上一回我們聊到投信數據的處理,這篇來講講價量和投信兩邊都要處理的部分,包括清除非必要欄位和缺失值處理。 清除非必要欄位 在處理資料的第一步,就是把那些不需...
前言 在建置這個模型的過程中,挑選和計算關鍵特徵很重要。這些特徵不只可以幫助我們的模型更懂市場趨勢,還能掌握投信的進出動作,讓我們在預測股價走勢時更有把握。本篇...
這篇主要在講特徵處理和篩選,幫助我們在做LSTM模型時提升準確度。特徵工程其實就像在處理食材一樣,食材準備得好,料理才會更美味!同理,模型的輸入數據如果整理得好...