測實(shí)戰(zhàn))
摘要“給我10年的股票日線，預(yù)測未來5天的開盤、收盤、最高、最低漲跌幅”——看似簡單的時(shí)間序列任務(wù)，在實(shí)際落地中卻充滿挑戰(zhàn)：單一模型難以捕捉長程依賴，固定訓(xùn)練集浪費(fèi)大量后期數(shù)據(jù)，點(diǎn)預(yù)測無法量化不確定性。本文從基礎(chǔ)的LSTM出發(fā)，逐步演進(jìn)到Transformer、PatchTST，最后在充足算力下選擇了Informer，并配合Walk?Forward 滾動(dòng)訓(xùn)練讓整整10年的數(shù)據(jù)全部發(fā)揮作用。文章提供完整的數(shù)據(jù)構(gòu)造、特征工程、Informer概率建模以及Walk?Forward回測代碼，可直接落地。一、問題定義與數(shù)據(jù)構(gòu)造1.1 預(yù)測目標(biāo)我們要利用過去一段連續(xù)交易日的四種漲跌幅（相對(duì)于前一日收盤）來預(yù)測未來5日的這四種漲跌幅。1.2 計(jì)算四種漲跌幅close=df['close'].values ret_close 從LSTM到Informer的長序列預(yù)測實(shí)戰(zhàn)
摘要“給我10年的股票日線，預(yù)測未來5天的開盤、收盤、最高、最低漲跌幅”——看似簡單的時(shí)間序列任務(wù)，在實(shí)際落地中卻充滿挑戰(zhàn)：單一模型難以捕捉長程依賴，固定訓(xùn)練集浪費(fèi)大量后期數(shù)據(jù)，點(diǎn)預(yù)測無法量化不確定性。本文從基礎(chǔ)的LSTM出發(fā)，逐步演進(jìn)到Transformer、PatchTST，最后在充足算力下選擇了Informer，并配合Walk?Forward 滾動(dòng)訓(xùn)練讓整整10年的數(shù)據(jù)全部發(fā)揮作用。文章提供完整的數(shù)據(jù)構(gòu)造、特征工程、Informer概率建模以及Walk?Forward回測代碼，可直接落地。一、問題定義與數(shù)據(jù)構(gòu)造1.1 預(yù)測目標(biāo)我們要利用過去一段連續(xù)交易日的四種漲跌幅（相對(duì)于前一日收盤）來預(yù)測未來5日的這四種漲跌幅。1.2 計(jì)算四種漲跌幅close=df['close'].values ret_close